論文の概要: OmniMed-FL: A Robust Multimodal Federated Learning Framework for Clinical Diagnosis
- arxiv url: http://arxiv.org/abs/2609.10364v1
- Date: Wed, 09 Sep 2026 15:56:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.08919
- Title: OmniMed-FL: A Robust Multimodal Federated Learning Framework for Clinical Diagnosis
- Title（参考訳）: OmniMed-FL : 臨床診断のためのロバスト・マルチモーダル・フェデレーションラーニングフレームワーク
- Abstract要約: OmniMed-FLは,5段階の臨床条件分類のためのマルチモーダル学習の制御システムである。
本研究のプロキシコーパスでは, 患者ではなくクラス別に, 3000の公衆胸部X線写真と3,000のクラスFOLD合成ノートを照合した。
すべてのノートは合成され、ペアリングは患者レベルではないため、これらは記述的なプロキシ比較であり、診断性能やデプロイメントの準備ができていない。
- 参考スコア（独自算出の注目度）: 17.411567668075577
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simultaneous assessment of medical imaging and patient records is often required in clinical diagnosis. However, standard machine learning algorithms cannot analyze these data types together. Meanwhile, compliance with HIPAA and GDPR can constrain centralized aggregation of sensitive patient data. This leaves a crucial void of secure fusion of visual and textual context across distant networks. Thus, we present OmniMed-FL, a controlled systems study of multimodal federated learning for five-class clinical condition classification (Normal, Pneumonia, COVID-19, Pleural Effusion, Cardiomegaly). Our proxy corpus pairs 3,000 public chest radiographs with 3,000 class-conditioned synthetic notes, matched by class, not by patient. The framework benchmarks eight fusion strategies, three initializations, four missing-text imputation rules, and matched federated baselines under non-IID Dirichlet partitioning across 3 to 20 hospital clients. As all notes are synthetic and pairing is not patient-level, these are descriptive proxy comparisons, not estimates of diagnostic performance or deployment readiness. Within those limits with clients ($K=5$) and severe skew ($α=0.1$), local-only training achieves a macro-F1 score of 0.297, FedAvg achieves $0.662\pm0.074$, FedProx $0.737\pm0.085$, a matched FedMME-style one-shot ensemble $0.647\pm0.080$, and our SCAFFOLD-AdamW adaptation $0.070\pm0.015$, the 0.075 FedProx-FedAvg gap falling inside the wider of the two two-seed standard deviations. Over a $4\times3$ grid, label skew costs up to 0.27 F1 whereas a near-sevenfold client increase costs at most 0.10, while bidirectional volume grows linearly to 183.5 GiB at $K=20$. Multimodal fusion leads on both corpora, scoring 0.956 against 0.934 for text and 0.664 for images on the synthetic corpus and 0.906 against 0.880 and 0.737 on the radiograph corpus, for $2.3\times$ the model state of text alone.
- Abstract（参考訳）: 臨床診断には医療画像と患者記録の同時評価が必要であることが多い。
しかし、標準的な機械学習アルゴリズムでは、これらのデータ型を一緒に分析することはできない。
一方、HIPAAとGDPRの遵守は、センシティブな患者データの集中的な集約を抑えることができる。
これにより、遠隔ネットワーク間の視覚的コンテキストとテキスト的コンテキストのセキュアな融合という重要な空白が残される。
そこで我々は,5種類の臨床症状分類(Normal, Pneumonia, COVID-19, Pleural Effusion, Cardiomegaly)のためのマルチモーダル・フェデレーション・ラーニングの制御システムであるOmniMed-FLを提案する。
本研究のプロキシコーパスは, 患者ではなく, クラス別, クラス別, クラス別, クラス別, クラス別, クラス別, クラス別, クラス別, クラス別, クラス別, クラス別, クラス別, クラス別, クラス別, クラス別, クラス別。
このフレームワークは,8つの融合戦略,3つの初期化,4つの欠落文命令規則,および3から20の病院クライアント間での非IIDディリクレパーティショニングの下でのフェデレーションベースラインをベンチマークする。
すべてのノートは合成され、ペアリングは患者レベルではないため、これらは記述的なプロキシ比較であり、診断性能やデプロイメントの準備ができていない。
クライアント($K=5$)と厳しいスキュー($α=0.1$)の制限の中で、ローカルのみのトレーニングは、0.662\pm0.074$、FedProx $0.737\pm0.085$、マッチしたFedMMEスタイルのワンショットアンサンブル$0.647\pm0.080$、SCAFFOLD-AdamW適応$0.070\pm0.015$、0.075 FedProx-FedAvgギャップは、2つの標準偏差の範囲内にある。
4ドル以上のグリッドでは、ラベルスキューは最大0.27F1、クライアントはほぼ7倍のコストは0.10、双方向ボリュームは183.5GiBでK=20$である。
テキストの0.934に対して0.956、合成コーパスで0.906、ラジオグラフコーパスで0.880、0.737に対して0.906、テキストで2.3\times$2.3\timesで0.956、テキストで0.934、画像で0.664となる。
関連論文リスト
- Beyond Accuracy: Quantifying Pulmonary Attribution in Anatomy-Guided Chest X-Ray Classification Under Domain Shift [0.6213771671016098]
深層学習モデルは、肺画像の内容に依存するかどうかを判断することなく、強い胸部X線分類性能を達成することができる。
本研究は,肺アトリビューションの含有量について,診断成績と異なる解剖学的関連信頼性特性として評価した。
論文 参考訳（メタデータ） (2026-08-31T08:54:44Z) - ConRub-Med: Reinforcement Learning with Consensus Rubrics for Open-Ended Medical Question Answering [33.27644708906731]
検証可能な報酬を伴う強化学習は数学やコーディングにおいて特に効果的である。
ConRub-Medを導入し,建設から政策最適化へのルーブリックフィードバックの移動に伴い,有用性を維持する。
ConRub-Medは9つのベンチマークのうち6つにランクインしている。
論文 参考訳（メタデータ） (2026-08-11T14:48:15Z) - FedDP-PALD: A Privacy-Preserving Federated Latent Diffusion Framework with Prototype Aggregation for Medical Data Synthesis [0.6372261626436676]
我々は、正式なプライバシー保証の下で医療データ合成のためのプライバシー保護フレームワークであるFedDP-PALDを提案する。
胸部X線画像と心電図信号を処理する。
メンバーシップ推論に強く抵抗しながら、有用な決定性能を維持するプライベートな合成表現を生成する。
論文 参考訳（メタデータ） (2026-07-13T21:04:37Z) - FedCC: A Low-Resource Federated Adaptation of Foundation Models for Robust Corpus Callosum localization in Fetal Ultrasound Images [34.592227505836156]
胎児US画像におけるコーパス・カロサム(CC)の局在化のためのフレームワークであるFedCCを提案する。
このフレームワークは凍結したDINOv2バックボーンと軽量なYOLOベースの検出ヘッドを統合している。
計算と通信のオーバーヘッドを大幅に減らし、低リソース環境に適したフレームワークとなる。
論文 参考訳（メタデータ） (2026-06-30T09:02:13Z) - Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation [36.94429692322632]
二段式(悪性/良性)、一段式(良性、MEL、SCC、BCC)、二段式(二段式トリアージ、三段式MEL/SCC/BCC)の3種類を比較した。
すべてのモデルはImageNet-pretrained weightsを使用し、オープンなISICアーカイブデータに1つの拡張プロトコルを使用した。
ISIC MILK10kでは、11級の直接分類により平均級感度0.525が得られる。
論文 参考訳（メタデータ） (2026-06-11T09:55:57Z) - MedFL-Stress: A Systematic Robustness Evaluation of Federated Brain Tumor Segmentation under Cross-Hospital MRI Appearance Shift [0.0]
統合学習は、患者データを共有することなく、病院がセグメンテーションモデルを協調的に訓練することを可能にする。
現在の評価プロトコルでは、クライアント間での平均的なパフォーマンスのみを報告し、個々のサイトの障害をマスキングしている。
MedFL-Stress(リンク)は、この障害モードを正確に公開する、制御されたストレステストフレームワークである。
論文 参考訳（メタデータ） (2026-05-09T16:04:54Z) - VSF-Med:A Vulnerability Scoring Framework for Medical Vision-Language Models [6.390468088226493]
VSF-Medは医療ビジョン言語モデル(VLM)のためのエンドツーエンドの脆弱性修正フレームワークである。
VSF-Medは5000個の放射線画像から3万以上の敵の変種を合成し、単一のコマンドで医療用VLMの再現可能なベンチマークを可能にする。
Llama-3.2-11B-Vision-Instructは、攻撃効果の持続性に対して1.29sigma$をピーク脆弱性として、GPT-4oは0.69sigma$を同じベクトルに対して0.28sigma$をピーク脆弱性として示す。
論文 参考訳（メタデータ） (2025-06-25T02:56:38Z) - A Privacy-Preserving Federated Learning Framework for Generalizable CBCT to Synthetic CT Translation in Head and Neck [0.0]
Cone-beam CT(CBCT)は画像誘導放射線療法(IGRT)において広く採用されている。
頭頸部領域におけるCBCT-to-sCT合成のためのクロスサイロ水平フェデレーションラーニング(FL)手法を提案する。
論文 参考訳（メタデータ） (2025-06-10T10:10:56Z) - A Comprehensive Framework for Automated Segmentation of Perivascular Spaces in Brain MRI with the nnU-Net [37.179674347248266]
神経変性疾患では、PVS(perivascular space)の増大が一般的である。
現在不足している信頼性の高いPVS検出方法が必要である。
論文 参考訳（メタデータ） (2024-11-29T09:19:57Z) - Deep Reinforcement Learning for Cost-Effective Medical Diagnosis [41.10546022107126]
強化学習を用いて、以前の観測結果に基づいて順次実験室のテストパネルを選択する動的ポリシーを探索する。
エンド・ツー・エンドのトレーニングやオンライン学習と互換性のあるセミモデルに基づく深層診断ポリシー最適化フレームワークを提案する。
SM-DDPOは、フェリチン異常検出、敗血症死亡予測、急性腎障害の診断など、様々な臨床的タスクでテストされている。
論文 参考訳（メタデータ） (2023-02-20T19:47:25Z) - Automatic sleep stage classification with deep residual networks in a
mixed-cohort setting [63.52264764099532]
我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。
総合的な分類精度はトレーニングデータの分数を増やして向上した。
論文 参考訳（メタデータ） (2020-08-21T10:48:35Z)
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。