論文の概要: Federated Learning for Multi-Center Sepsis Early Prediction with Privacy-Preserving

• arxiv url: http://arxiv.org/abs/2606.04338v1
• Date: Wed, 03 Jun 2026 01:35:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.461908
• Title: Federated Learning for Multi-Center Sepsis Early Prediction with Privacy-Preserving
• Title（参考訳）: プライバシ保護によるマルチセンターセプシスの早期予測のためのフェデレーション学習
• Authors: Xixi Tian, Di Wu, Xiang Liu, Yiziting Zhu, Yujie Li, Xin Shu, Bin Yi,
• Abstract要約: フェデレートラーニング(Federated Learning)により、複数の機関が、生データを直接共有したり、集中したりすることなく、予測モデルを共同で訓練することができる。 本研究は,多中心敗血症予測へのフェデレーション学習の適用を体系的に検討する。
• 参考スコア（独自算出の注目度）: 9.744444068585983
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Privacy-sensitive and distributed characteristics of multi-center medical data bring severe obstacles to centralized modeling for accurate early prediction of sepsis. Federated learning (FL) has attracted growing attention as a promising framework for collaborative model development, as it allows multiple institutions to jointly train predictive models without directly sharing or centralizing raw data. Nevertheless, its practical performance, robustness, and privacy-preserving benefits remain insufficiently evaluated using real-world clinical datasets. To bridge this gap, this study systematically examines the application of federated learning to multi-center sepsis prediction. The experimental dataset consists of 648 clinically screened samples collected from three tertiary hospitals in China, with rigorous inclusion and exclusion criteria. We establish a centralized training paradigm as the performance baseline, and then implement a horizontal federated learning framework for distributed collaborative modeling. Extensive experimental results demonstrate that the federated learning-based model achieves highly comparable prediction accuracy to the centralized counterpart, while fundamentally avoiding privacy leakage. Further privacy security analysis verifies that malicious attackers cannot reconstruct the original patient data from the transmitted model parameters, indicating strong resistance against data reconstruction attacks. This work not only validates the practicality and security of federated learning in clinical sepsis prediction, but also provides a reliable and feasible solution for privacy-preserving multi-center medical collaboration.
• Abstract（参考訳）: マルチセンター医療データのプライバシーに敏感で分散した特徴は、セプシスの正確な早期予測のための集中型モデリングに深刻な障害をもたらす。 フェデレートラーニング(FL)は、複数の機関が生データを直接共有したり集中化したりすることなく、予測モデルを共同で訓練できるため、協調モデル開発のための有望なフレームワークとして注目を集めている。 それでもその実用的パフォーマンス、堅牢性、プライバシ保護のメリットは、実際の臨床データセットを使用して十分に評価されていない。 このギャップを埋めるために,フェデレートラーニングの多中心敗血症予測への応用を体系的に検討した。 実験データセットは、中国の3つの第3次病院から収集された648個の臨床検診サンプルからなり、厳密な包括と除外基準が設定された。 我々は、パフォーマンスベースラインとして集中的なトレーニングパラダイムを確立し、分散協調モデリングのための水平連合学習フレームワークを実装します。 大規模な実験結果から,フェデレート学習に基づくモデルでは,プライバシーの漏洩を回避しつつ,集中型モデルと高い精度で予測できることが示された。 さらに、悪意のある攻撃者が送信されたモデルパラメータから元の患者データを再構築できないことを確認し、データ再構成攻撃に対する強い抵抗を示す。 この研究は、臨床敗血症予測におけるフェデレーション学習の実践性と安全性を検証するだけでなく、プライバシ保存型マルチセンター医療協力のための信頼性と実現可能なソリューションを提供する。

関連論文リスト

• TrustFed: Enabling Trustworthy Medical AI under Data Privacy Constraints [2.9567293946666173]
  フェデレーション学習は、患者の生データを共有することなく、プライバシ保護、複数施設でのトレーニングを可能にする。 TrustFedは、不均一で不均衡な医療データの下で、配布不要で有限サンプルのカバレッジ保証を提供する。 医用画像における不確実性を考慮したフェデレーション学習の包括的評価を行う。
  論文  参考訳（メタデータ） (2026-03-23T07:34:45Z)
• A federated learning framework with knowledge graph and temporal transformer for early sepsis prediction in multi-center ICUs [2.601005560500953]
  集中治療室(ICU)患者の敗血症早期予測は生存率の向上に不可欠である。 本稿では,統合学習(FL)を医療知識グラフと時間変換モデルに統合する新しいフレームワークを提案する。 本手法により,患者データを共有することなく,複数病院間の協調モデルトレーニングが可能となり,プライバシの保護が可能となった。
  論文  参考訳（メタデータ） (2026-03-06T06:57:54Z)
• Federated Proximal Optimization for Privacy-Preserving Heart Disease Prediction: A Controlled Simulation Study on Non-IID Clinical Data [1.620240963217448]
  本稿では,UCI心疾患データセットに基づく心疾患予測のためのフェデレーション・プロキシ・オプティマイズ(FedProx)の総合シミュレーション研究について述べる。 我々はクリーブランドクリニックの4つの異種病院クライアントをシミュレートすることにより,現実的な非IIDデータ分割を生成する。 我々の結果は病院IT管理者に直接転送可能であり、プライバシー保護協調学習を実装しています。
  論文  参考訳（メタデータ） (2026-01-23T21:18:08Z)
• A Robust Pipeline for Differentially Private Federated Learning on Imbalanced Clinical Data using SMOTETomek and FedProx [0.0]
  Federated Learning (FL)は、共同健康研究のための画期的なアプローチである。 FLは、差分プライバシー(DP)と組み合わせて正式なセキュリティ保証を提供する プライバシーユーティリティフロンティアで最適な運用領域が特定された。
  論文  参考訳（メタデータ） (2025-08-06T20:47:50Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• 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)
• Decentralized Distributed Learning with Privacy-Preserving Data Synthesis [9.276097219140073]
  医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。 最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。 ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
  論文  参考訳（メタデータ） (2022-06-20T23:49:38Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
  本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。 具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。 大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
  論文  参考訳（メタデータ） (2021-03-07T03:10:32Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。