論文の概要: Trustworthy Privacy-Preserving Multimodal Federated Learning for Personalised Breast Cancer Prediction
- arxiv url: http://arxiv.org/abs/2607.19532v1
- Date: Tue, 21 Jul 2026 19:26:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:37.91299
- Title: Trustworthy Privacy-Preserving Multimodal Federated Learning for Personalised Breast Cancer Prediction
- Title（参考訳）: パーソナライズされた乳癌予測のための信頼できるプライバシ保護型マルチモーダルフェデレーション学習
- Abstract要約: フェデレートラーニング(Federated Learning)は、予測モデルのトレーニングにセンシティブな健康データを使用する際のプライバシー問題に対する潜在的な解決策として登場した。
本研究は,乳がん患者の腫瘍進展を予測するための堅牢なモデルの開発を支援するために,フェデレートラーニングが有効かどうかを考察する。
- 参考スコア（独自算出の注目度）: 2.3164242245180255
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Federated learning has emerged as a potential solution to privacy concerns associated with using sensitive health data for training predictive models, particularly in personalised cancer care. This research investigates whether federated learning can support the development of robust models for predicting tumour progression in breast cancer patients while addressing four critical deployment pillars: transparency, scalability, security, and fairness. This study evaluates a federated learning framework using multimodal data, including clinical information, tumour characteristics, biomarker data, and patient demographics, alongside medical imaging data such as MRI scans, to model changes in tumour characteristics over time. The performance of the federated approach was compared with that of a centralised model trained on aggregated data. The report then further examines strategies to enhance secure model updates, maintain performance across patient subgroups, and support scalability across institutions. The findings assess whether federated learning can achieve predictive performance comparable to centralised learning while preserving data locality. These results contribute to understanding the feasibility of privacy-preserving, multimodal predictive modelling and support future applications such as digital twins to assist clinicians and patients in personalised treatment planning.
- Abstract（参考訳）: フェデレーション学習は、特にパーソナライズされたがんケアにおいて、予測モデルのトレーニングにセンシティブな健康データを使用する際のプライバシー上の懸念に対する潜在的な解決策として現れてきた。
本研究は,乳がん患者の腫瘍進展を予測し,透明性,拡張性,セキュリティ,公正性の4つの重要な展開柱に対処するための堅牢なモデルの開発を支援することができるかを検討する。
本研究では, 臨床情報, 腫瘍の特徴, バイオマーカーデータ, および患者の人口統計データを含むマルチモーダルデータを用いたフェデレート学習の枠組みをMRIスキャンなどの医用画像データとともに評価し, 時間とともに腫瘍の特徴の変化をモデル化する。
集約されたデータに基づいて学習した集中型モデルと比較した。
さらに、セキュアなモデル更新の強化、患者サブグループ間のパフォーマンスの維持、機関間のスケーラビリティのサポートについて検討する。
この結果は,データ局所性を保ちながら,集中学習に匹敵する予測性能を達成できるかどうかを検証した。
これらの結果は,プライバシ保護・マルチモーダル予測モデルの実現可能性の理解に寄与し,デジタル双生児などの将来的な応用を支援して臨床医や患者にパーソナライズされた治療計画を支援する。
関連論文リスト
- 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) - Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
回帰に基づくタスクの基礎モデルを体系的に評価する。
我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。
乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
論文 参考訳（メタデータ） (2026-01-29T14:06:50Z) - Beyond Traditional Diagnostics: Transforming Patient-Side Information into Predictive Insights with Knowledge Graphs and Prototypes [55.310195121276074]
本稿では,病気を予測するための知識グラフ,プロトタイプ認識,解釈可能なフレームワークを提案する。
構造化された信頼された医療知識を統合された疾患知識グラフに統合し、臨床的に意味のある疾患のプロトタイプを構築し、予測精度を高めるために対照的な学習を利用する。
臨床的に有効な説明を提供し、患者の物語と密接に一致し、患者中心のヘルスケアデリバリーの実践的価値を強調している。
論文 参考訳（メタデータ） (2025-12-09T05:37:54Z) - Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。
このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。
このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
論文 参考訳（メタデータ） (2025-10-24T15:56:40Z) - Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
がん予後は、患者の予後と生存率を予測する重要なタスクである。
これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。
既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。
第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
論文 参考訳（メタデータ） (2025-01-30T06:49:57Z) - Survival Prediction in Lung Cancer through Multi-Modal Representation Learning [9.403446155541346]
本稿では,CTとPETの包括的情報と関連するゲノムデータを用いた生存予測手法を提案する。
我々は,マルチモーダル画像データと遺伝的情報を統合することにより,生存率の予測モデルを構築することを目的とする。
論文 参考訳（メタデータ） (2024-09-30T10:42:20Z) - Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models [8.798959872821962]
本稿では,フェデレーションサバイバル分析の分野,特にCox Proportional Hazards(CoxPH)モデルについて概説する。
本稿では,合成データセットと実世界のアプリケーション間のモデル精度を向上させるために,特徴ベースのクラスタリングを用いたFLアプローチを提案する。
論文 参考訳（メタデータ） (2024-07-20T18:34:20Z) - Leveraging Federated Learning for Automatic Detection of Clopidogrel
Treatment Failures [0.8132630541462695]
本研究では,クロピドッグレル処理障害検出のためのフェデレーション学習戦略を活用する。
地理的中心に基づいてデータを分割し,フェデレート学習の性能を評価した。
クロピドッグレル治療障害検出におけるフェデレート学習の可能性について検討した。
論文 参考訳（メタデータ） (2024-03-05T23:31:07Z) - Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline
Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。
この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。
この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
論文 参考訳（メタデータ） (2023-12-31T16:01:48Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - Towards Trustworthy Cross-patient Model Development [3.109478324371548]
本研究は,全ての患者と1人の患者を対象に訓練を行った際のモデル性能と説明可能性の差異について検討した。
以上の結果から,患者の人口動態は,パフォーマンスや説明可能性,信頼性に大きな影響を及ぼすことが明らかとなった。
論文 参考訳（メタデータ） (2021-12-20T10:51:04Z)
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。