論文の概要: Embedding-Based Federated Learning with Runtime Governance for Iron Deficiency Prediction

• arxiv url: http://arxiv.org/abs/2605.21563v1
• Date: Wed, 20 May 2026 16:31:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:41.942622
• Title: Embedding-Based Federated Learning with Runtime Governance for Iron Deficiency Prediction
• Title（参考訳）: 鉄欠乏予測のための実行時ガバナンスを用いた埋め込み型フェデレーション学習
• Authors: Fan Zhang, Simon Deltadahl, Majid Lotfian Delouee, Daniel Kreuter, Joseph Taylor, Allerdien Visser, BloodCounts Consortium, James H. F. Rudd, Nicholas S. Gleadall, Suthesh Sivapalaratnam, Folkert Asselbergs, Martijn C. Schut, Michael Roberts,
• Abstract要約: 通常の全血液量データから鉄欠乏予測のための埋込み型FLパイプラインを開発した。 アムステルダム大学医療センター(AUMC)とNHSBT(NHSBT)の実際の施設環境に展開した。 凍結したドメイン固有造血基盤モデルであるDeepCBCは、サイト局所的な表現抽出を行う。
• 参考スコア（独自算出の注目度）: 1.690444853538344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent reviews find that the vast majority of published healthcare federated learning (FL) studies never reach real-world deployment. We developed an embedding-based FL pipeline for iron deficiency prediction from routine full blood count (FBC) data and deployed it across real institutional environments at Amsterdam University Medical Centre (AUMC) and NHS Blood and Transplant (NHSBT), two clinical environments that differ markedly in iron deficiency prevalence, ferritin distribution, and subject populations. A frozen domain-specific haematology foundation model, DeepCBC, performs site-local representation extraction, restricting federated training to a compact downstream classifier and substantially reducing recurrent communication relative to full-encoder federation. The two clinical datasets are structurally not independent and identically distributed (non-IID), with heterogeneity arising from distinct population differences rather than sampling artefacts. Runtime governance is enforced by FLA$^3$, a healthcare-oriented FL platform providing study-scoped execution, policy-based authorisation, and signed audit logging. Standard sample-size-weighted aggregation (FedAvg) reduced the area under the receiver operating characteristic curve (ROC-AUC) at both sites relative to local-only training, as the global update was biased towards the larger AUMC distribution. FedMAP, a personalised aggregation method, raised ROC-AUC from 0.9470 to 0.9594 at AUMC and from 0.8558 to 0.8671 at NHSBT relative to local-only training, achieving the highest macro ROC-AUC of 0.9133 and the best macro balanced accuracy overall. These results support personalised aggregation in clinical federations where client sample size and task relevance diverge substantially.
• Abstract（参考訳）: 最近のレビューでは、公表された医療連合学習(FL)研究の大部分は、実際の展開には達していない。 われわれは,FBCデータから鉄欠乏予測のための埋込型FLパイプラインを開発し,アムステルダム大学医療センター (AUMC) とNHSBT (NHSBT) の実際の施設環境に展開した。 凍結したドメイン固有の血液学基盤モデルであるDeepCBCは、サイト局所表現抽出を行い、フェデレートされたトレーニングを下流分類器に制限し、フルエンコーダのフェデレーションに対するリカレント通信を大幅に削減する。 2つの臨床データセットは、構造的に独立ではなく、同じ分布(非IID)であり、人工物を採取するよりも、異なる集団差から生じる異質性である。 ランタイムガバナンスは、医療指向のFLプラットフォームであるFLA$^3$によって実施されている。 標準試料量重み付け法(FedAvg)は,AUMC分布の大規模化に偏りがあるため,局部訓練と比較して両部位の受信機動作特性曲線(ROC-AUC)の面積を減少させた。 個人化集約法であるFedMAPは、AUMCでは0.9470から0.9594に、NHSBTでは0.8558から0.8671に上昇し、最大マクロLOC-AUCは0.9133、マクロバランスの精度は総じて最高となった。 これらの結果は、クライアントのサンプルサイズとタスク関連性が著しく異なる臨床連合におけるパーソナライズドアグリゲーションを支援する。

関連論文リスト

• Evaluating Federated Learning approaches for mammography under breast density heterogeneity [0.0]
  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。
  論文  参考訳（メタデータ） (2026-05-09T19:44:16Z)
• Deep Learning-based Assessment of the Relation Between the Third Molar and Mandibular Canal on Panoramic Radiographs using Local, Centralized, and Federated Learning [0.3186329231961084]
  下顎管近傍における下顎第三大臼歯の衝撃は、下歯槽神経損傷のリスクを増大させる。 臼歯部オーバーラップの自動分類は臨床トリアージを補助し,不必要なCBCTレファラールを減少させる可能性がある。 フェデレートラーニングは、患者データを共有せずにマルチセンターのコラボレーションを可能にする。
  論文  参考訳（メタデータ） (2026-03-12T12:17:17Z)
• 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)
• FedMRL: Data Heterogeneity Aware Federated Multi-agent Deep Reinforcement Learning for Medical Imaging [12.307490659840845]
  我々は,データの不均一性に対処する新しいマルチエージェント深層強化学習フレームワークであるFedMRLを紹介する。 FedMRLは、クライアント間の公平性を促進するために、新たな損失関数を導入し、最終グローバルモデルのバイアスを防ぐ。 その結果,FedMRLが最先端技術よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-08T10:10:07Z)
• FedMAP: Personalised Federated Learning for Real Large-Scale Healthcare Systems [14.378330471182586]
  フェデレーテッド・ラーニング(FL)は、データのプライバシを保護しながら、医療現場での機械学習を可能にすることを約束する。 我々は,局所的な最大値(MAP)推定による統計的不均一性に対処するパーソナライズされたFLフレームワークであるFedMAPを紹介する。 局所トレーニング,FedAvg,PFL法を3つの大規模臨床データセットで比較検討した。
  論文  参考訳（メタデータ） (2024-05-29T11:28:06Z)
• Federated Learning under Partially Class-Disjoint Data via Manifold Reshaping [64.58402571292723]
  我々はFedMRと呼ばれる多様体再構成手法を提案し、局所訓練の特徴空間を校正する。 我々は、FedMRがはるかに高い精度と通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行います。
  論文  参考訳（メタデータ） (2024-05-29T10:56:13Z)
• Think Twice Before Selection: Federated Evidential Active Learning for Medical Image Analysis with Domain Shifts [11.562953837452126]
  多様なドメインから得られたローカルデータの情報性を評価するための最初の試みを行う。 本稿では,ドメインシフト下でのデータ評価を校正する新しい手法であるFederated Evidential Active Learning(FEAL)を提案する。
  論文  参考訳（メタデータ） (2023-12-05T08:32:27Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• Integrating Local Real Data with Global Gradient Prototypes for Classifier Re-Balancing in Federated Long-Tailed Learning [60.41501515192088]
  フェデレートラーニング(FL)は、グローバルモデルを協調的にトレーニングする複数のクライアントを含む、人気のある分散ラーニングパラダイムになっています。 データサンプルは通常、現実世界の長い尾の分布に従っており、分散化された長い尾のデータのFLは、貧弱なグローバルモデルをもたらす。 本研究では、局所的な実データとグローバルな勾配のプロトタイプを統合し、局所的なバランスの取れたデータセットを形成する。
  論文  参考訳（メタデータ） (2023-01-25T03:18:10Z)
• Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with Class Imbalance [65.61909544178603]
  クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。 このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。 25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-06-27T06:51:48Z)

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。