論文の概要: Evaluating Federated Learning approaches for mammography under breast density heterogeneity

• arxiv url: http://arxiv.org/abs/2605.09137v1
• Date: Sat, 09 May 2026 19:44:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.081352
• Title: Evaluating Federated Learning approaches for mammography under breast density heterogeneity
• Title（参考訳）: 乳房密度の不均一性を考慮したマンモグラフィーにおけるフェデレートラーニング手法の評価
• Authors: Gonzalo Iñaki Quintana, Franco Martin Di Maria, Laurence Vancamberg,
• Abstract要約: 乳房密度はマンモグラフィーの解釈に影響を与える重要な因子である。 本研究の目的は,乳房密度による不均一性がマンモグラフィ画像分類におけるFLに及ぼす影響を評価することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Breast density is a key factor that influences mammography interpretation and is a major source of heterogeneity in multicenter datasets. Such heterogeneity poses challenges for collaborative machine learning across institutions, particularly in Federated Learning. This study aims to evaluate the impact of breast density-induced heterogeneity on FL for mammography image classification and to assess the robustness of common FL algorithms in realistic clinical settings. We conducted experiments under two scenarios: (1) a strongly heterogeneous setting where each participating site contributed exclusively low- or high-density cases, based on the BI-RADS density score, and (2) a population-based setting simulating breast density distributions in White and Asian populations. For the strongly heterogeneous setting, we evaluated two configurations: one with 2 clients, where the cases were grouped as BI-RADS A-B and C-D, and one with 4 clients, where each site contained cases of a single BI-RADS density. We compared three FL methods (FedAvg, FedProx, SCAFFOLD) against centralized training, local-only training, and naive aggregation approaches, including ensembling and weight averaging. Across both scenarios, FL achieved performance comparable to centralized training, while local models and naive aggregation approaches underperformed in the presence of strong heterogeneity. Notably, FedAvg achieved accuracy on par with or exceeding centralized training, demonstrating resilience to breast density-induced data imbalance without requiring specialized heterogeneity mitigation algorithms. These findings show that FL can address breast density-related heterogeneity, supporting its feasibility for real-world mammography workflows. The demonstrated robustness of FedAvg underscores the potential for broad clinical deployment of FL, enabling collaborative model development while maintaining data privacy.
• Abstract（参考訳）: 乳房密度はマンモグラフィーの解釈に影響を与える重要な要因であり、マルチセンターデータセットにおける不均一性の主要な原因である。 このような異質性は、特にフェデレートラーニングにおいて、機関間での協調機械学習に課題をもたらす。 本研究の目的は,乳房密度による不均一性が乳房画像分類におけるFLに与える影響を評価し,現実的な臨床環境下でのFLアルゴリズムの堅牢性を評価することである。 本研究は,(1) BI-RADS 密度スコアに基づく低密度または高密度の事例のみに寄与する,強い異種環境と,(2) 白人とアジア人の乳房密度分布をシミュレートした人口ベース環境の2つのシナリオによる実験を行った。 BI-RADS A-B と C-D と,BI-RADS が 1 個,C-D が 1 個,BI-RADS が 1 個,C-D が 1 個,C-D が 4 個であった。 我々は,FedAvg,FedProx,SCAFFOLDの3つのFL法を,集中トレーニング,局所学習,および,アンサンブルや平均体重などのナイーブ集約アプローチと比較した。 両方のシナリオにおいて、FLは集中的なトレーニングに匹敵するパフォーマンスを達成し、一方、ローカルモデルとナイーブアグリゲーションアプローチは、強いヘテロジニティの存在下ではパフォーマンスが低かった。 特に、FedAvgは集中トレーニングと同等以上の精度を達成し、特殊な不均一性軽減アルゴリズムを必要とせず、乳房密度によるデータ不均衡に対するレジリエンスを実証した。 以上の結果から,FLは乳房密度関連不均一性に対処し,現実のマンモグラフィーのワークフローの実現可能性を高めることが示唆された。 FedAvgの実証された堅牢性は、FLの広範な臨床展開の可能性を強調し、データのプライバシを維持しながら協調的なモデル開発を可能にする。

関連論文リスト

• FL-MedSegBench: A Comprehensive Benchmark for Federated Learning on Medical Image Segmentation [57.930067699003764]
  Federated Learning (FL)は、生データを共有せずに、協調的な医療画像分析のためのプライバシー保護パラダイムを提供する。 FL-MedSegBenchは,医用画像セグメンテーションにおけるフェデレーション学習のための総合的なベンチマークである。 汎用FL(gFL)法とパーソナライズFL(pFL)法を多次元にわたって体系的に評価した。
  論文  参考訳（メタデータ） (2026-03-12T08:28:41Z)
• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Attention-Enhanced Deep Learning Ensemble for Breast Density Classification in Mammography [0.0]
  本研究では,乳房密度の頑健な二分分類のための自動深層学習システムを提案する。 先進的な畳み込みニューラルネットワークを4つ実装し比較した。 焦点損失, ラベルの平滑化, およびクラスバランスの重み付けを併用した, 新規な焦点ラベル平滑化機能を開発した。
  論文  参考訳（メタデータ） (2025-07-08T21:26:33Z)
• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• On the Impact of Data Heterogeneity in Federated Learning Environments with Application to Healthcare Networks [3.9058850780464884]
  Federated Learning(FL)は、プライバシに敏感なアプリケーションが、情報を開示することなく、グローバルモデル構築のためにデータセットを活用することを可能にする。 これらの領域の1つは医療であり、サイロのグループは、精度と一般化を改善したグローバルな予測器を生成するために協力する。 本稿では,医学データの複雑さに着目し,FL環境における不均一性の数学的形式化と分類を包括的に調査する。
  論文  参考訳（メタデータ） (2024-04-29T09:05:01Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• A novel multi-view deep learning approach for BI-RADS and density assessment of mammograms [0.5039813366558306]
  BI-RADSのための新しい多視点DL手法とマンモグラムの密度評価を提案する。 提案手法はまず,各ビューで特徴抽出を行うディープ畳み込みネットワークを分離して展開する。 抽出した特徴を積み重ねてLight Gradient Boosting Machine (LightGBM) に入力し、BI-RADSと密度スコアを予測する。
  論文  参考訳（メタデータ） (2021-12-08T10:59:17Z)

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。