Fugu-MT 論文翻訳(概要): Federated Bayesian Surveillance of Mechanical Thrombectomy Adverse Events: A Population Risk Layer for Surgical Digital Twins

論文の概要: Federated Bayesian Surveillance of Mechanical Thrombectomy Adverse Events: A Population Risk Layer for Surgical Digital Twins

arxiv url: http://arxiv.org/abs/2610.08464v1
Date: Tue, 06 Oct 2026 14:49:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 02:58:30.06046
Title: Federated Bayesian Surveillance of Mechanical Thrombectomy Adverse Events: A Population Risk Layer for Surgical Digital Twins
Title（参考訳）: メカニカル・トロンボミーの逆イベントに対するベイジアン・サーベイランス : 手術用デジタル双生児の集団リスク層
Abstract要約: 本稿では,手術用デジタル双生児の信頼層として,集団規模の有害事象監視を治療することを提案する。血栓-検索カテーテルの完全FDAMAUDEコホートをベンチマークした。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Learned surgical simulators and world models can roll out plausible procedural futures, but they carry no grounded estimate of how often interventional devices actually harm patients. We propose treating population-scale adverse-event surveillance as a distinct belief layer of the surgical digital twin, and we evaluate a federated Bayesian protocol for learning it under formal privacy guarantees. Each site holds per-class Gamma-Poisson posteriors over adverse-event rates and exchanges only Rényi-differentially-private natural-parameter updates. We benchmark on the complete FDA MAUDE cohort for thrombus-retrieval catheters (product code NRY): 8,617 reports, of which 6,491 are classified by transparent keyword rules into five thrombectomy complication classes and partitioned across $K=8$ manufacturer sites. At a matched privacy budget of $(\\varepsilon \\approx 2.09, \δ= 10^{-5})$, the conjugate protocol attains a held-out Poisson score of -5.78 per test event versus -26.58 for FedAvg with differential privacy. The non-private federated model also outperforms centralized pooling (+3.19 vs +2.93), evidence that manufacturer-specific complication profiles are real and that federation preserves them. Because MAUDE lacks procedure denominators, outputs are relative rate orderings rather than absolute risks, and we report all privacy-utility operating points.
Abstract（参考訳）: 訓練された手術シミュレーターと世界モデルは、もっともらしい手続き的な未来を展開できるが、介入デバイスが実際に患者にどの程度の頻度で害を与えるかという根拠のない見積もりは実行されない。我々は,手術用デジタル双生児の信頼層として,集団規模の有害事象監視を扱い,正式なプライバシー保証の下で学習するための連邦ベイズプロトコルを評価する。各サイトは、悪物率に関するクラスごとのガンマ・ポアソンの後部を保有し、レニイ・ディペンデンシャル・プライベートな自然パラメーターの更新のみを交換する。 8,617件の報告のうち,6,491件は,透明なキーワード規則で5つの血栓摘出合併症クラスに分類し,K=8$製造現場に分けた。一致するプライバシー予算は$(\\varepsilon \\approx 2.09, \δ=10^{-5})$で、差分プライバシーを持つFedAvgでは-26.58に対して、共役プロトコルはテストイベントあたりのポアソンスコアが-5.78である。民間のフェデレーションモデルは集中型プール(+3.19 vs +2.93)よりも優れており、製造業者固有の合併症プロファイルが本物であり、フェデレーションがそれらを保存している証拠である。 MAUDEにはプロシージャ・ディノミネータがないので、アウトプットは絶対的なリスクではなく相対的なレートオーダーであり、すべてのプライバシユーティリティ・オペレーティングポイントを報告します。

関連論文リスト

OmniMed-FL: A Robust Multimodal Federated Learning Framework for Clinical Diagnosis [17.411567668075577]
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。
論文参考訳（メタデータ） (2026-09-09T15:56:26Z)
FedPref: Federated Preference Learning for Structured Radiology Report Extraction [69.11739400975445]
ラジオロジーレポートでは、自由テキストで発見と位置を記述しているが、下流の検索と分析では、これらの関係を固定スキーマで記述する必要がある。我々はFedPrefを紹介します: 凍結した公開言語モデルは代替の抽出を提案し、ローカルアノテーションはそれらをランク付けし、サイトはプールされたコンパクトQwen3-8Bアダプタを協調訓練します。不平等なデータ量と病気の有病率を持つ6つのシミュレートされた病院の開発データに基づき、FedPrefはクライアント平均F1を2.49ポイント、最悪のサイトF1を9.10ポイント改善する。
論文参考訳（メタデータ） (2026-08-17T12:29:42Z)
When Outputs Disperse, Does Epistemic Revision Follow? A Black-Box Diagnostic for Machine Collectives [0.0]
我々は,集団知能研究における分散リビジョン結合を運用する。条件付き不服従は虚偽の前提回復を+17.7ポイント改善することを示す。介入スタンスシフトと前提保存率を正確さとともに報告することを推奨する。
論文参考訳（メタデータ） (2026-08-04T14:19:59Z)
Similarity Weighted Aggregation with Global Differential Privacy for Federated Brain Lesion Segmentation [0.04863616912081875]
Federated Learning (FL)は、機密データを共有することなく、複数の機関で機械学習モデルの協調トレーニングを可能にする。本稿では、類似度重み付け集約とサーバ側差分プライバシー機構を統合したプライバシー保護フェデレーション学習フレームワークDP-SimAggを提案する。
論文参考訳（メタデータ） (2026-08-01T21:23:32Z)
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)
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)
Perfectly-Private Analog Secure Aggregation in Federated Learning [51.61616734974475]
連合学習では、複数のパーティがモデルをローカルにトレーニングし、パラメータを中央サーバと共有する。本稿では,有限場ではなくトーラスを用いた新しいセキュアパラメータアグリゲーション法を提案する。
論文参考訳（メタデータ） (2025-09-10T15:22:40Z)
Protect Your Score: Contact Tracing With Differential Privacy Guarantees [68.53998103087508]
プライバシーに関する懸念は、現在展開を控えている、と私たちは主張する。本稿では,この攻撃に対して異なるプライバシー保証を有する接触追跡アルゴリズムを提案する。特に現実的な検査シナリオでは,ウイルス感染率の2倍から10倍の低下を実現している。
論文参考訳（メタデータ） (2023-12-18T11:16:33Z)
Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
論文参考訳（メタデータ） (2023-02-03T09:49:13Z)
On the Practicality of Differential Privacy in Federated Learning by Tuning Iteration Times [51.61278695776151]
フェデレートラーニング(FL)は、分散クライアント間で機械学習モデルを協調的にトレーニングする際のプライバシ保護でよく知られている。最近の研究では、naive flは勾配リーク攻撃の影響を受けやすいことが指摘されている。ディファレンシャルプライバシ(dp)は、勾配漏洩攻撃を防御するための有望な対策として現れる。
論文参考訳（メタデータ） (2021-01-11T19:43:12Z)

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。