Fugu-MT 論文翻訳(概要): Federated generative event models for tokenized electronic health records

論文の概要: Federated generative event models for tokenized electronic health records

arxiv url: http://arxiv.org/abs/2608.02939v1
Date: Mon, 03 Aug 2026 22:54:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-05 15:30:22.957084
Title: Federated generative event models for tokenized electronic health records
Title（参考訳）: トークン化電子健康記録のためのフェデレーション生成イベントモデル
Abstract要約: 集中入院患者122,251名を対象に,トークン化生成イベントモデル(GEM)の連合トレーニングについて検討した。 GEMは、内部および横断的なROC-AUCを達成し、従来の監督型モデルよりもかなり輸送性が高い。
参考スコア（独自算出の注目度）: 0.2687853023235746
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Electronic health record foundation models are limited by institutionally siloed data and substantial performance degradation under cross-site transfer. We evaluated federated training of tokenized generative event models (GEMs) across 122,251 intensive care hospitalizations from three independent health systems harmonized to the Common Longitudinal ICU Data Format. Models were assessed on 12 post-24-hour clinical prediction tasks using within-site, cross-site, centralized, and federated training configurations. GEMs achieved the highest mean within-site and cross-site ROC-AUC and were substantially more transportable than conventional supervised models: their average cross-site penalties were 0.025 ROC-AUC and 0.027 PR-AUC, compared with 0.079 and 0.089 for LightGBM. Federated Learning (FedAvg and FedAvgM) approached the performance of centralized GEM training, with most gains obtained within 5-10 communication rounds. However, centralized multi-site training provided only modest improvements over complete local training. Multi-site models were most useful when local training data were limited, with their advantage narrowing as institutional data accumulated. These findings show that federated GEM training is technically feasible and preserves most centralized performance, but that the main open challenge is learning transportable representations to translate larger, but heterogeneous data from multiple health systems into a reliable target-site benefit.
Abstract（参考訳）: 電子カルテ基礎モデルは、組織的なサイロ化データと、クロスサイト転送による実質的なパフォーマンス劣化によって制限される。共通縦断ICUデータフォーマットと調和した3つの独立した医療システムを用いて,122,251人の集中入院者を対象に,トークン化生成イベントモデル(GEMs)の連携トレーニングを行った。モデルは,24時間後臨床予測タスク12件について,内的,横断的,集中的,連合的なトレーニング構成を用いて評価した。 GEMは、通常の監督型モデルよりもはるかに輸送性が高く、平均的なICC-AUCは0.025 ROC-AUCと0.027 PR-AUCであり、LightGBMは0.079と0.089であった。 Federated Learning(FedAvgとFedAvgM)は、集中型GEMトレーニングのパフォーマンスにアプローチした。しかし、集中型マルチサイトトレーニングは、完全なローカルトレーニングよりも控えめな改善しか提供しなかった。マルチサイトモデルが最も有用であったのは、ローカルトレーニングデータに制限があった場合であり、機関的なデータが蓄積されるにつれて、その優位性は狭まる。これらの結果から,フェデレートされたGEMトレーニングは技術的に実現可能であり,最も集中的なパフォーマンスを保っていることが示唆された。

関連論文リスト

Embedding-Based Federated Learning with Runtime Governance for Iron Deficiency Prediction [1.690444853538344]
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。
論文参考訳（メタデータ） (2026-05-20T16:31:53Z)
Towards Brain MRI Foundation Models for the Clinic: Findings from the FOMO25 Challenge [33.95846433611413]
我々はMICCAI 2025でFOMO25チャレンジを衛星イベントとして組織した。参加者は,臨床ラベルから直接得られたデータに基づいて,大規模な事前学習データセットFOMO60Kを作成した。 16チームから19のファンデーションモデルが、標準化されたコンテナパイプラインを使用して評価された。
論文参考訳（メタデータ） (2026-04-13T16:23:46Z)
Federated Learning with Multi-Partner OneFlorida+ Consortium Data for Predicting Major Postoperative Complications [0.7076963041807924]
調査対象は5つの医療機関に入院した成人358,644人であった。我々は,集中治療室(ICU)入院,機械換気(MV)療法,急性腎障害(AKI),院内死亡の術後リスクを予測するための統合学習モデルを開発し,検証した。 AUROCのスコアは,AUROCとAUPRCのスコアと同等あるいは同等の成績を示した。
論文参考訳（メタデータ） (2026-03-17T16:09:33Z)
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)
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)
A Multi-Center Study on the Adaptability of a Shared Foundation Model for Electronic Health Records [2.83988353856908]
ファンデーションモデルは、下流の医療タスクに容易に適応可能なモジュラーコンポーネントを提供することで、医療におけるAI転換を約束している。本研究は,257万人のスタンフォード医科患者の縦断的医療記録データに基づいてトレーニングしたEMHファンデーションモデル(FM_SM$)の適応性について検討した。本研究は, 病院間での共用EHR基盤モデルの適用により, より低コストで予測性能が向上することが示唆された。
論文参考訳（メタデータ） (2023-11-20T01:58:27Z)
FedDBL: Communication and Data Efficient Federated Deep-Broad Learning for Histopathological Tissue Classification [65.7405397206767]
本稿では,FedDBL(Federated Deep-Broad Learning)を提案する。 FedDBLは1ラウンドの通信と限られたトレーニングサンプルで競合相手をはるかに上回り、マルチラウンドの通信で同等のパフォーマンスを達成している。異なるクライアント間でのデータやディープモデルを共有しないため、プライバシ問題は十分に解決されており、モデルのセキュリティはモデル反転攻撃のリスクなしに保証される。
論文参考訳（メタデータ） (2023-02-24T14:27:41Z)
Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。実世界の医療データセットにおけるモデルの性能向上を実証する。
論文参考訳（メタデータ） (2022-07-23T00:39:53Z)
Certified Robustness in Federated Learning [54.03574895808258]
我々は,フェデレーショントレーニングとパーソナライゼーション,および認定ロバストネスの相互作用について検討した。単純なフェデレーション平均化技術は, より正確であるだけでなく, より精度の高いロバストモデルの構築にも有効であることがわかった。
論文参考訳（メタデータ） (2022-06-06T12:10:53Z)
Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文参考訳（メタデータ） (2021-11-18T00:43:41Z)
Federated Learning from Small Datasets [48.879172201462445]
フェデレーション学習は、複数のパーティが、ローカルデータを共有せずに、共同モデルを共同でトレーニングすることを可能にする。そこで本研究では,局所モデルの置換とモデルアグリゲーションを連動させる新しい手法を提案する。置換は、各ローカルモデルをローカルデータセットのデージーチェーンに公開することで、データスパースドメインでのより効率的なトレーニングを実現する。
論文参考訳（メタデータ） (2021-10-07T13:49:23Z)

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。