論文の概要: Protocol Choices Matter More Than the Aggregation Algorithm: Federated Learning for In-Hospital Mortality Prediction in Care-Unit and Multi-Hospital Federations

• arxiv url: http://arxiv.org/abs/2610.17265v1
• Date: Mon, 12 Oct 2026 18:21:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 02:27:20.561429
• Title: Protocol Choices Matter More Than the Aggregation Algorithm: Federated Learning for In-Hospital Mortality Prediction in Care-Unit and Multi-Hospital Federations
• Title（参考訳）: 集約アルゴリズムよりも重要なプロトコル選択:ケア・ユニットとマルチホスピタル・フェデレーションにおける病院内死亡予測のためのフェデレーションラーニング
• Abstract要約: フェデレートラーニング(Federated learning)により、病院は記録をプールすることなく共有モデルをトレーニングできるが、アグリゲーション戦略の比較は、評価プロトコルをほとんど制御しない。 本研究は,MIMIC-IVの病院12施設とeICU-CRDの病院49病院の2つの連携について,FedAvg,FedProx,SCAFFOLD,FedAdagrad,FedAdam,FedYogi,FedClusterの7つの戦略を比較した。
• 参考スコア（独自算出の注目度）: 0.06372261626436676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning allows hospitals to train a shared mortality model without pooling their records, but published comparisons of aggregation strategies rarely control the evaluation protocol. This study compared seven strategies (FedAvg, FedProx, SCAFFOLD, FedAdagrad, FedAdam, FedYogi and FedCluster) on two federations built with one pipeline: 12 care units of a hospital in MIMIC-IV and 49 hospitals in eICU-CRD. Each strategy was tuned and selected on validation data by the same rule, and every comparison was repeated across 10 seeds with Friedman and Holm-corrected tests. SCAFFOLD ranked first in both federations (AUC-ROC 0.886 and 0.819) and in 17 of 18 variants, but its margin over the runner-up never exceeded 0.008, and a control sharing its local optimizer attributed most of its margin over FedAvg to drift correction. On the multi-hospital federation, federated training matched centralized training. In the care-unit federation, three protocol choices changed discrimination by more than the choice of strategy did: discharge-coded predictors (+0.038 in AUC-ROC), client-level SMOTE (up to -0.074), and evaluating the last instead of the best validation round (up to -0.084). Platt scaling on validation data repaired the risks distorted by imbalance corrections without loss of discrimination. Studies should therefore fix the protocol before ranking algorithms.
• Abstract（参考訳）: フェデレーテッド・ラーニング(Federated Learning)は、病院が記録をプールすることなく共有死亡率モデルを訓練することを可能にするが、アグリゲーション戦略の比較が評価プロトコルを制御することは滅多にない。 本研究は,MIMIC-IVの病院12施設とeICU-CRDの病院49病院の2つの連携について,FedAvg,FedProx,SCAFFOLD,FedAdagrad,FedAdam,FedYogi,FedClusterの7つの戦略を比較した。 各戦略は、同じルールで検証データに基づいて調整・選択され、Friedman と Holm の修正試験で10種に対して比較が繰り返された。 SCAFFOLDは、AUC-ROC 0.886と0.819の両方のフェデレーション(AUC-ROC 0.886と0.819)と18の変種のうち17にランクインしたが、その差は0.008を超えなかった。 マルチホスピタル・フェデレーションでは、フェデレーショントレーニングは集中トレーニングと一致した。 ケアユニット・フェデレーションでは、3つのプロトコル選択が戦略の選択以上の差別を変更した: 退避コード付き予測器(AUC-ROCでは+0.038)、クライアントレベルのSMOTE(最大-0.074)、そして最後の検証ラウンド(最大-0.084)。 検証データ上のプラットスケーリングは、差別を失うことなく不均衡補正によって歪んだリスクを修復した。 したがって、アルゴリズムをランク付けする前にプロトコルを修正する必要がある。

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)
• Federated LoRA Adaptation of BiomedCLIP Across Four International Chest X-Ray Cohorts [3.8298947210288374]
  フェデレートされた学習は、データを交換することなく、組織が共有モデルを訓練することを可能にする。 Low-Rank Adaptation (LoRA)は、コンパクトな低ランク更新のみを通信することで、これを大規模に実現している。
  論文  参考訳（メタデータ） (2026-09-02T04:40:05Z)
• 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 Calibration Fails the Vulnerable Hospital: Federated Conformal Risk Control via Risk-Curve Shrinkage [0.0]
  コンフォーマルリスク制御(CRC)は、セグメンテーション品質の分布自由保証を提供する。 フェデレートされたデプロイメントでは、標準的なアプローチは、サイト間でキャリブレーションスコアを単一のしきい値にプールする。 この単純プール型CRCは平均的な病院を保護しているが、個々の施設の40%はカバー範囲に違反している。
  論文  参考訳（メタデータ） (2026-06-18T11:39:44Z)
• 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)
• 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)
• Federated Learning under Partially Class-Disjoint Data via Manifold Reshaping [64.58402571292723]
  我々はFedMRと呼ばれる多様体再構成手法を提案し、局所訓練の特徴空間を校正する。 我々は、FedMRがはるかに高い精度と通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行います。
  論文  参考訳（メタデータ） (2024-05-29T10:56:13Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• 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)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)

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。