論文の概要: Unlocking Multi-Site Clinical Data: A Federated Approach to Privacy-First Child Autism Behavior Analysis

• arxiv url: http://arxiv.org/abs/2604.02616v1
• Date: Fri, 03 Apr 2026 01:08:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.264002
• Title: Unlocking Multi-Site Clinical Data: A Federated Approach to Privacy-First Child Autism Behavior Analysis
• Title（参考訳）: 多段階臨床データのアンロック:プライバシ第一子自閉症行動分析へのフェデレーションアプローチ
• Authors: Guangyu Sun, Wenhan Wu, Zhishuai Guo, Ziteng Wang, Pegah Khosravi, Chen Chen,
• Abstract要約: ポーズに基づく自閉症児の行動認識のためのフェデレーション学習に関する最初の研究について述べる。 われわれのフレームワークは、2層プライバシー保護機構を利用して、診療所内に機密性のあるポーズデータが残ることを保証している。 MMASDベンチマークによる実験結果から,本フレームワークは高い認識精度を実現することが示された。
• 参考スコア（独自算出の注目度）: 20.436962518259204
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated recognition of autistic behaviors in children is essential for early intervention and objective clinical assessment. However, the development of robust models is severely hindered by strict privacy regulations (e.g., HIPAA) and the sensitive nature of pediatric data, which prevents the centralized aggregation of clinical datasets. Furthermore, individual clinical sites often suffer from data scarcity, making it difficult to learn generalized behavior patterns or tailor models to site-specific patient distributions. To address these challenges, we observe that Federated Learning (FL) can decouple model training from raw data access, enabling multi-site collaboration while maintaining strict data residency. In this paper, we present the first study exploring Federated Learning for pose-based child autism behavior recognition. Our framework employs a two-layer privacy protection mechanism: utilizing human skeletal abstraction to remove identifiable visual information from the raw RGB videos and FL to ensure sensitive pose data remains within the clinic. This approach leverages distributed clinical data to learn generalized representations while providing the flexibility for site-specific personalization. Experimental results on the MMASD benchmark demonstrate that our framework achieves high recognition accuracy, outperforming traditional federated baselines and providing a robust, privacy-first solution for multi-site clinical analysis.
• Abstract（参考訳）: 幼児の自閉症行動の自動認識は早期介入と客観的臨床評価に不可欠である。 しかし、ロバストモデルの開発は、厳格なプライバシー規制(例:HIPAA)と、臨床データセットの集中的な集約を防止する小児データの繊細な性質によって著しく妨げられている。 さらに、個々の臨床現場はデータ不足に悩まされることが多く、一般的な行動パターンやテーラーモデルをサイト固有の患者分布に学習することは困難である。 これらの課題に対処するため、フェデレートラーニング(FL)がモデルトレーニングを生データアクセスから切り離し、厳密なデータ常駐を維持しながら多地点協調を可能にすることを観察した。 本稿では,ポーズに基づく自閉症児の行動認識のためのフェデレーション学習に関する最初の研究について述べる。 われわれのフレームワークは、人間の骨格の抽象化を利用して生のRGBビデオから識別可能な視覚情報を取り除き、診療所内に機密的なポーズデータが残ることを確実にするための2層プライバシー保護機構を採用している。 このアプローチは、分散臨床データを利用して、サイト固有のパーソナライゼーションの柔軟性を提供しながら、一般化された表現を学習する。 MMASDベンチマークの実験結果から,我々のフレームワークは高い認識精度を達成し,従来のフェデレーションベースラインを上回り,多地点臨床分析のための堅牢でプライバシー優先のソリューションを提供することが示された。

関連論文リスト

• Federated Foundation Model for GI Endoscopy Images [7.9528382609447545]
  ファンデーションモデルは汎用表現を学習することで有望なソリューションを提供する。 ファンデーションモデルトレーニングは通常、広範なデータセットを必要とし、病院は大量のデータを生成するが、プライバシー制限は直接的なデータ共有を妨げている。 本稿では,腹腔鏡画像の基礎モデルをトレーニングするためのFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T01:18:17Z)
• Generalizable Representation Learning for fMRI-based Neurological Disorder Identification [0.0]
  正常な特徴から臨床的特徴への一般化を改善するために,新しい表現学習戦略を導入する。 我々は、制御データセットの自己教師付き学習を活用して、特定の教師付きタスクに限定されない固有の特徴に焦点を当てる。 その結果,多種多様な臨床関連課題における表現学習戦略の優位性を示した。
  論文  参考訳（メタデータ） (2024-12-16T22:07:35Z)
• Federated Anomaly Detection for Early-Stage Diagnosis of Autism Spectrum Disorders using Serious Game Data [0.0]
  本研究では,AutoEncoder-based Machine Learning (ML) 手法を用いて,ASD検出のための新しい半教師付きアプローチを提案する。 この目的に特化して設計された真剣なゲームを通じて手作業で収集したデータを利用する。 ゲーミフィケーションされたアプリケーションによって収集されたセンシティブなデータは、プライバシー漏洩の影響を受けやすいため、フェデレートラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-10-25T23:00:12Z)
• A Distributed Privacy Preserving Model for the Detection of Alzheimer's Disease [0.0]
  本稿では,分散データからトレーニングできるHIPAA準拠のフレームワークを提案する。 次に,アルツハイマー病(AD)検出のための多モード垂直フェデレーションモデルを提案する。 ここで提案されたVFLアーキテクチャは、多様な医療データソースをまたいだ協調学習を可能にする、新しい分散アーキテクチャを提供する。
  論文  参考訳（メタデータ） (2023-12-15T22:09:04Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
  我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。 我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
  論文  参考訳（メタデータ） (2023-02-03T09:49:13Z)
• Differentially private federated deep learning for multi-site medical image segmentation [56.30543374146002]
  フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。 近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。 しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
  論文  参考訳（メタデータ） (2021-07-06T12:57:32Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。