論文の概要: Multi-center Medical Data Mining with FL-Net - A One-stop Shop for Federated Learning

• arxiv url: http://arxiv.org/abs/2609.20650v1
• Date: Thu, 17 Sep 2026 16:28:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.373642
• Title: Multi-center Medical Data Mining with FL-Net - A One-stop Shop for Federated Learning
• Title（参考訳）: FL-Netによるマルチセンター医療データマイニング - フェデレートラーニングのためのワンストップショップ
• Abstract要約: FL-Netは、新しいフェデレートされた臨床研究フレームワークである。 モジュラーデータ調和、データ発見、開示制御、セキュアに構築されたFL-Net-Toolsを統合している。
• 参考スコア（独自算出の注目度）: 25.334279676968823
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning enables collaborative training without sharing patient-level data, but most studies remain simulations. Based on five requirements derived from the literature, we analyzed 14 FL frameworks and found that none fully satisfied these requirements. We present FL-Net, a novel federated clinical research framework to fulfill all requirements. It integrates modular data harmonization, data discovery, disclosure control, securely built versioned FL-Net-Tools and containerized federated workflow execution into a persistent network. It enables the re-use of harmonized data and workflows across studies. FL-Net's end-to-end capabilities were evaluated through harmonization, cross-study patient discovery across MIMIC and US-130, and reproducible, audited federated workflows with up to 50 concurrent clients. FL-Net is being developed within the dAIbetes and Microb-AI-ome EU projects and will cover over 800,000 patients across 10 hospitals in 9 countries covering longitudinal and single point in time data, FL-Net provides a practical foundation for interoperable, reproducible, and privacy-preserving multicenter clinical research.
• Abstract（参考訳）: 統合学習は、患者レベルのデータを共有せずに協調的なトレーニングを可能にするが、ほとんどの研究はシミュレーションのままである。 文献から得られた5つの要件に基づき,14のFLフレームワークを分析した。 FL-Netは,全ての要件を満たすための新しい臨床研究フレームワークである。 モジュール形式のデータ調和、データディスカバリ、公開制御、セキュアに構築されたFL-Net-Tools、コンテナ化されたフェデレーションワークフローの実行を永続的なネットワークに統合する。 研究全体にわたる調和したデータとワークフローの再使用を可能にする。 FL-Netのエンドツーエンド機能は、調和化、MIMICとUS-130間のクロススタディな患者発見、最大50の同時クライアントを持つ監査済みのワークフローの再現性を通じて評価された。 FL-Netは、dAIbetesとMicrob-AI-ome EUプロジェクトの中で開発されており、9カ国の10の病院で80,000人以上の患者をカバーし、経時的および単一時点のデータをカバーしている。

関連論文リスト

• A Federated Learning Framework for Privacy-Preserving Oral Cancer Screening on Smartphones [0.0]
  フェデレートラーニング(FL)は、患者データを集中化したり共有したりすることなく、分散データセット間で協調的なモデル開発を可能にする。 この研究は、AIヘルスケア研究者間の地理的に分散したコラボレーションをサポートし、口腔がんスクリーニングのための堅牢なモデルの開発を促進する実践的なFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-19T21:33:53Z)
• 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)
• FedAgentBench: Towards Automating Real-world Federated Medical Image Analysis with Server-Client LLM Agents [11.959201492182963]
  Federated Learning(FL)は、機密性の高い患者データを共有せずに、医療現場間で協調的なモデルトレーニングを可能にする。 現実のFLの展開は、しばしば人的努力を必要とする複雑な運用上の課題によって妨げられる。 本稿では,クライアント選択からトレーニング完了まで,実世界のFLの重要なフェーズをキャプチャするエージェント駆動FLフレームワークと,FedAgentBenchと呼ばれるベンチマークを紹介する。 我々のフレームワークは40のFLアルゴリズムを組み込んでおり、それぞれが多様なタスク固有の要件とクロスクライアント特性に対処するように調整されている。
  論文  参考訳（メタデータ） (2025-09-28T11:06:07Z)
• Federated Active Learning Framework for Efficient Annotation Strategy in Skin-lesion Classification [1.8149633401257899]
  フェデレートラーニング(FL)は、複数の機関がプライベートデータを共有することなく、協力的にモデルをトレーニングすることを可能にする。 アクティブラーニング(AL)は、医用画像解析におけるデータアノテーションの数を減らす上で有望な性能を示した。 本稿では,FL 下で周期的かつ対話的に AL を実行するフェデレーション AL (FedAL) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-17T08:16:28Z)
• A Survey on Efficient Federated Learning Methods for Foundation Model Training [62.473245910234304]
  フェデレーテッド・ラーニング(FL)は、多数のクライアントにわたるプライバシー保護協調トレーニングを促進するための確立した技術となっている。 Foundation Models (FM)の後、多くのディープラーニングアプリケーションでは現実が異なる。 FLアプリケーションに対するパラメータ効率細調整(PEFT)の利点と欠点について論じる。
  論文  参考訳（メタデータ） (2024-01-09T10:22:23Z)
• FLamby: Datasets and Benchmarks for Cross-Silo Federated Learning in Realistic Healthcare Settings [51.09574369310246]
  Federated Learning(FL)は、センシティブなデータを保持している複数のクライアントが協力して機械学習モデルをトレーニングできる新しいアプローチである。 本稿では,医療分野に重点を置くクロスサイロ・データセット・スイートFLambyを提案し,クロスサイロ・FLの理論と実践のギャップを埋める。 私たちのフレキシブルでモジュラーなスイートによって、研究者は簡単にデータセットをダウンロードし、結果を再現し、研究のためにさまざまなコンポーネントを再利用することができます。
  論文  参考訳（メタデータ） (2022-10-10T12:17:30Z)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)

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。