Mar, 2019

利用分布式电子医疗记录进行联邦机器学习预测死亡率和住院时间的患者聚类提高效率

PDF
TL;DR介绍了一种基于社群的联邦机器学习算法，将分布式数据聚类成具有相似诊断和地理位置的有临床意义的社群，使每个社群可以学习一个模型。该算法在现场非 IID ICU EMR 上表现优于传统方法，同时可以保护隐私。
electronic medical recordsmachine learning algorithmsfederated machine learningcommunity-based learningprivacy-sensitive characteristics
发现论文，激发创造
  • 隐私保护的个性化联邦学习患者聚类

    我们提出了一种隐私保护的基于社区的联邦机器学习 (PCBFL) 框架，通过使用安全的多方计算技术，在保护隐私的情况下利用患者级别数据来聚类患者并训练模型。PCBFL 在低、中、高风险患者的临床上表现出显著改进，并且性能优于传统和现有的聚类型联邦学习框架，平均 AUC 提高 4.3％，AUPRC 提高 7.8％。

    Jul, 2023

  • 使用 BEHRT 进行医学概念嵌入的联合学习

    本文提出了一种基于联邦学习的医学概念嵌入学习方法，通过使用 MIMIC-IV 数据集比较中心化学习和联邦学习的表现，结果发现联邦学习可以达到与中心化学习相近的性能，并且在平均精度上优于本地模型。同时，文章还证明了预训练掩码语言模型可以提高下一次就诊预测任务的性能。

    May, 2023

  • 利用深层联邦学习实现早期预测 ICU 死亡风险

    采用联邦学习（Federated Learning）来解决隐私法规问题，评估其对重症监护室死亡率的早期预测能力，结果表明联邦学习的表现与集中式方法相当，且显著优于本地方法。此外，使用 F1 分数作为提前停止指标，可以稳定和提高方法的性能。

    Dec, 2022

  • 医疗信息学的联邦学习

    通过联邦学习机制，能够保持本地机构中的敏感数据，同时在中央服务器上培训共享全球模型，从而改进卫生保健数据的隐私保护和数据分析，以解决医疗卫生数据碎片化和保密性问题。

    Nov, 2019

  • 通过隐私保护的 MRI 分析推动医疗保健

    通过采用 Ensemble-Based Federated Learning（EBFL）框架，该研究实现了用于检测脑瘤的精确和可靠的诊断方法，达到了 94% 的全局模型精度和 96% 的集成模型精度。

    Mar, 2024

  • 预测主要术后并发症的联邦学习模型

    手术后并发症风险的准确预测使用电子健康记录和人工智能显示出巨大潜力，而联邦学习模型可在数据保护壁垒较高的多个机构的大规模数据上训练出健壮且具有广泛适用性的模型。

    Apr, 2024

  • 医疗领域联邦学习的实用性探讨

    本文提出了以三个真实的数据集为基础的 FL 算法实验基准及考虑性能和成本的经济模型，同时还引入了一个结合了 FedProx 和 FedBN 的 FL 方法 FedPxN，其在性能方面优于其他 FL 算法，并只消耗比最省电的方法略高一些的功耗。

    Jul, 2022

  • 乳腺密度分类的联邦学习：一个实际实现

    本文研究了在真实的合作环境下使用联邦学习（FL）构建医学成像分类模型。通过对世界各地的七个临床机构的数据进行联邦学习，成功地训练了乳腺密度分类模型，其性能比在机构的本地数据训练的模型平均提高了 6.3％，在其他机构的测试数据上表现出了 45.8％的相对改进。

    Sep, 2020

  • 协作学习方法成本效益评估：前列腺分割基准测试

    比较协作学习中的联邦学习和基于共识的方法，研究在医学图像领域中共识范式作为典型训练任务的替代方案的可行性。

    Sep, 2023

  • LoAdaBoost：基于损失的 AdaBoost 联邦学习，针对 IID 和非 IID 重症监护数据降低计算复杂度

    使用自适应增强算法 LoAdaBoost 实现联邦机器学习，在处理具有不同数据分布的数据源时取得更高的预测准确性和更低的计算复杂性。

    Nov, 2018