論文の概要: Evaluating Federated Vision-Language and Vision-Only Models for Privacy-Aware Breast Cancer Imaging

• arxiv url: http://arxiv.org/abs/2610.36379v1
• Date: Mon, 26 Oct 2026 22:51:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.446235
• Title: Evaluating Federated Vision-Language and Vision-Only Models for Privacy-Aware Breast Cancer Imaging
• Title（参考訳）: プライバシ対応乳癌画像におけるフェデレーション・ビジョン・ランゲージとビジョン・オンリーモデルの評価
• Abstract要約: 本稿では,事前学習された視覚言語モデルとクライアントレベルの差分プライバシーを組み合わせた,プライバシ対応のフェデレーション学習フレームワークについて検討する。 一般用CLIPモデル,バイオメディカルバイオメディカルバイオメディカルCLIP,およびImageNet-pretrained ViT-B/16ベースラインを2つの乳房画像データセットで比較した。 また,テキストパスを除去するCLIP ViT-B/16アブレーションの評価を行った。
• 参考スコア（独自算出の注目度）: 1.4311578330720751
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence (AI) shows promise for breast imaging, but limited labeled data, institutional data fragmentation, and privacy concerns hinder centralized training. We investigate a privacy-aware federated learning framework combining pretrained vision-language models (VLMs) with client-level differential privacy. We compare general-purpose CLIP models, biomedical BiomedCLIP, and an ImageNet-pretrained ViT-B/16 baseline on two public breast imaging datasets, with and without differential privacy. We also evaluate a CLIP ViT-B/16 ablation that removes the text pathway. Evaluation includes patient-level ROC-AUC with bootstrap 95% confidence intervals, baseline comparisons, threshold sensitivity, inter-model agreement, and communication cost. Under federated learning, all five models achieve high normal-versus-sick discrimination (ROC-AUC: 0.940-0.990). However, acquisition year alone achieves 0.974 on the same test partition, raising concerns about confounding rather than genuine pathology recognition. Benign-versus-malignant discrimination remains uncertain (ROC-AUC: 0.504-0.637), with all confidence intervals including 0.50. Removing the text pathway preserves classification accuracy while halving communication cost. Differential privacy reduces ROC-AUC by 0.375, attributable to perturbing the full model state rather than only trainable parameters. These findings highlight the importance of evaluating confounding, predictive reliability, privacy implementation, and deployment efficiency when developing federated AI systems for breast imaging.
• Abstract（参考訳）: 人工知能(AI)は乳房イメージングを約束するが、ラベル付きデータ、機関データの断片化、プライバシーに関する懸念は集中的なトレーニングを妨げる。 本稿では,事前学習された視覚言語モデル(VLM)とクライアントレベルの差分プライバシーを組み合わせた,プライバシ対応のフェデレーション学習フレームワークについて検討する。 一般用CLIPモデル,バイオメディカルBiomedCLIP,およびImageNetで事前訓練したViT-B/16ベースラインを2つの乳房画像データセットで比較した。 また,テキストパスを除去するCLIP ViT-B/16アブレーションの評価を行った。 評価には、ブートストラップ95%の信頼区間を持つ患者レベルのROC-AUC、ベースライン比較、閾値感度、モデル間合意、通信コストが含まれる。 連合学習では、すべての5つのモデルが高い正規対シック判別(ROC-AUC: 0.940-0.990)を達成する。 しかし、取得年だけで同じテストパーティションで0.974を達成し、真の病理診断ではなく、コンバウンディングに関する懸念を提起する。 良性-逆性-悪性判別(ROC-AUC:0.504-0.637)は、0.50を含むすべての信頼区間を持つ。 テキストパスの削除は、通信コストを半減させながら分類精度を維持する。 差分プライバシーはROC-AUCを0.375削減し、トレーニング可能なパラメータだけでなく、完全なモデル状態の摂動に起因する。 これらの知見は、乳房画像のための統合AIシステムの開発において、コンファウンディング、予測信頼性、プライバシ実装、デプロイメント効率を評価することの重要性を強調している。

関連論文リスト

• Intersectional Fairness in Vision-Language Models for Medical Image Disease Classification [25.30858592524878]
  CMAC-MMD(Cross-Modal Alignment Consistency)は、横断的な患者サブグループ間で診断の確実性を標準化するトレーニングフレームワークである。 皮膚科コホートでは, 交叉異常診断ギャップ(正陽性率差$TPR)を0.50から0.26に減らした。 緑内障検診では、TPRが0.41ドルから0.31ドルに値下げされ、より良いAUCが0.72ドル(vs. 0.71ベースライン)となった。
  論文  参考訳（メタデータ） (2025-12-17T09:47:29Z)
• FedDP: Privacy-preserving method based on federated learning for histopathology image segmentation [2.864354559973703]
  本稿では,医用画像データの分散特性とプライバシ感受性について,フェデレート学習フレームワークを用いて検討する。 提案手法であるFedDPは,がん画像データのプライバシーを効果的に保護しつつ,モデルの精度に最小限の影響を与える。
  論文  参考訳（メタデータ） (2024-11-07T08:02:58Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• Federated attention consistent learning models for prostate cancer diagnosis and Gleason grading [23.911710601714162]
  本研究は,大規模病理画像にまつわる課題に対処する,集中型注意一貫性学習フレームワークを提案する。 多発性前立腺癌19,461枚の全スライディング画像を用いて, がん診断およびGleason grading タスクにおけるFACLの有効性を検討した。
  論文  参考訳（メタデータ） (2023-02-13T04:17:47Z)
• 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)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)

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。