論文の概要: A Federated Artificial Intelligence Framework for Optimizing Pancreatic Cancer Treatment - Strategy Update

• arxiv url: http://arxiv.org/abs/2609.24718v1
• Date: Mon, 21 Sep 2026 14:56:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.350899
• Title: A Federated Artificial Intelligence Framework for Optimizing Pancreatic Cancer Treatment - Strategy Update
• Title（参考訳）: 膵癌治療を最適化するフェデレーション人工知能フレームワーク - 戦略更新
• Abstract要約: フェデレートラーニング(FL)アーキテクチャは、境界内の分散疾患関連リソースの使用とアクセスに非常に有望なアプローチであることが示されている。 このレポートは、課題に対処した経験を共有し、実際のフェデレートされた学習AIパイプラインの予備的な結果を示す。
• 参考スコア（独自算出の注目度）: 1.1654359743526321
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While a centralized approach involving patient consent to collect and analyze data centrally would theoretically offer the best data quality and predictive performance, it is not always feasible in practice. Federated Learning (FL) architectures have shown to be a very promising approach to use and access distributed disease related resources within the GDPR boundaries. In a previous case report, we described the preconditions at the participating sites and necessary administrative and process related steps to prepare data, people and infrastructure for improving subtype identification and assessing treatment options in pancreatic cancer. We update this report sharing our experience in tackling the challenges and show preliminary results of the actual federated learning AI pipelines. At the participating sites, we have to identify and annotate the data being accessible after extraction and transformation in a local FL hub - in our case a centrally developed and distributively deployed Docker container. This container comprises the FL scripts generating local models. We apply a newly developed FL algorithm considering all local features, including partial overlapping features specific to the local sites. Theoretically, an annotation in a cancer setting should succeed using the German oncology core data set (oBDS), which is already utilized for mandatory reporting to cancer registries, and can be sustained in the FL setting. The FL algorithms deal robustly with partially overlapping features as we showed with public data sets. Major roadblocks including straightening operational concepts for the infrastructures, ethics approval for such novel architectures and support for every site have been addressed. However, scaling up this approach in the future faces hurdles; while including broader multi-modal data sets should be feasible, large-scale deployment to more sites remains challenging.
• Abstract（参考訳）: 患者の同意を伴ってデータを一元的に収集し分析する集中的なアプローチは理論的には最高のデータ品質と予測性能を提供するが、実際には必ずしも実現可能であるとは限らない。 フェデレートラーニング(FL)アーキテクチャは、GDPRバウンダリ内の分散疾患関連リソースの使用とアクセスに非常に有望なアプローチであることが示されている。 前報では, 膵癌におけるサブタイプ同定の改善と治療の選択肢を評価するためのデータ, 人, インフラ作成に必要な管理・プロセスの事前条件について述べる。 このレポートは、課題に対処した経験を共有し、実際のフェデレートされた学習AIパイプラインの予備的な結果を示す。 参加しているサイトでは、ローカルのFLハブで抽出と変換後にアクセス可能なデータを特定し、注釈付けする必要があります。 本発明のコンテナは、ローカルモデルを生成するFLスクリプトを含む。 局所的な特徴を全て考慮し,局所的な特徴に特有な部分的な重なり合いを含む新しいFLアルゴリズムを適用した。 理論的には、がん診断におけるアノテーションは、すでにがん登録への強制報告に使われているドイツの腫瘍学コアデータセット(oBDS)を用いて成功し、FL設定で維持できる。 FLアルゴリズムは、公開データセットで示したように、部分的に重複する特徴に頑健に対処する。 インフラの運用コンセプトの整合化、新しいアーキテクチャの倫理的承認、すべてのサイトのサポートなど、主要な障害が解決されている。 しかし、このアプローチを将来的にスケールアップすることはハードルに直面する。より広範なマルチモーダルデータセットを含むことは実現可能であるべきだが、より多くのサイトへの大規模デプロイメントは依然として困難である。

関連論文リスト

• Federated Learning for Large Models in Medical Imaging: A Comprehensive Review [25.44185462360892]
  高性能AIモデルは一般的に、大規模な集中型データセットのトレーニングを必要とする。 これらの制限は、医療領域における大規模なモデルの開発を妨げる。 Federated Learningは、断片化された医療データセット間で協調的なモデル開発を可能にすることで、新しいソリューションを提供する。
  論文  参考訳（メタデータ） (2025-08-28T04:31:41Z)
• Distributionally Robust Alignment for Medical Federated Vision-Language Pre-training Under Data Heterogeneity [4.84693589377679]
  医用ビジョン言語事前学習のためのFedDRA(Federated Distributionally Robust Alignment)を提案する。 FedDRAは異種条件下で頑健な視覚言語アライメントを実現する。 また,本手法は様々な医学的事前訓練法にも適している。
  論文  参考訳（メタデータ） (2024-04-05T01:17:25Z)
• FedLPPA: Learning Personalized Prompt and Aggregation for Federated Weakly-supervised Medical Image Segmentation [1.6013679829631893]
  フェデレートラーニング(FL)は、ポリシーやプライバシの懸念によって引き起こされるデータサイロの課題を効果的に緩和する。 従来の集中型FLモデルは、特に医学的文脈において、多様なマルチセンターデータに対応している。 医用画像セグメンテーションのための不均一な弱い監督を均一に活用するために,学習可能なプロンプトとアグリゲーション(FedLPPA)を備えた新規なパーソナライズFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-27T13:41:32Z)
• Source-Free Domain Adaptation for Medical Image Segmentation via Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
  医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。 プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。 そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
  論文  参考訳（メタデータ） (2023-07-19T06:07:12Z)
• Learning Personalized Brain Functional Connectivity of MDD Patients from Multiple Sites via Federated Bayesian Networks [9.873532358701803]
  我々は,複数のベイズネットワークの同時学習のための連合型共同推定器NOTEARS-PFLを提案する。 合成および実世界のマルチサイトRS-fMRIデータセットにおける提案手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-01-06T08:58:06Z)
• Federated Learning with Privacy-Preserving Ensemble Attention Distillation [63.39442596910485]
  Federated Learning(FL)は、多くのローカルノードがトレーニングデータを分散化しながら、中央モデルを協調的にトレーニングする機械学習パラダイムである。 本稿では,未ラベル公開データを利用した一方向オフライン知識蒸留のためのプライバシー保護FLフレームワークを提案する。 我々の技術は、既存のFLアプローチのような分散的で異質なローカルデータを使用するが、より重要なのは、プライバシー漏洩のリスクを著しく低減することです。
  論文  参考訳（メタデータ） (2022-10-16T06:44:46Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• FedDG: Federated Domain Generalization on Medical Image Segmentation via Episodic Learning in Continuous Frequency Space [63.43592895652803]
  フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。 臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。 そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。 本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-10T13:05:23Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)
• FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity to Non-IID Data [59.50904660420082]
  フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。 クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
  論文  参考訳（メタデータ） (2020-05-22T23:07:42Z)

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。