Jan, 2021

医疗协作联邦学习：边缘多模态 COVID-19 诊断

PDF
TL;DR本文旨在利用边缘计算和集群联邦学习等技术进行医学中的智能化诊断，为缺乏先进诊断设备的偏远医疗中心提供安全的多模态数据。作者评估了该框架在 COVID-19 诊断方面的表现，并在 X 射线和超声数据集上实现了 F1 得分的显着提高。同时，作者还探讨了在隐私和延迟敏感的应用程序中部署机器学习所涉及的挑战、技术、工具和技巧。
发现论文，激发创造
  • 诊断 COVID-19 的安全联邦学习方法

    通过 HIPAA 合规模型和联邦学习方法进行 COVID-19 诊断，使用可视化技术强调胸部 X 射线中暗示 COVID-19 阳性诊断的关键特征。

    Jan, 2024

  • COVID-19 胸部 X 光图像的联邦学习实验

    在 COVID-19 识别方面，人工智能发挥着重要作用，特别是结合计算机视觉和深度学习技术可以帮助确定感染 COVID-19 的情况，然而，没有患者的特定医疗相关数据，深度学习方法在检测 COVID-19 时可能会缺乏足够的数据样本。因此，联邦学习是一种可以解决这个问题的方法，该论文提出了在 COVID-19 数据训练方面使用联邦学习的想法，并进行了实验验证其有效性。此外，作者还使用了四个流行模型（MobileNet，ResNet18，MoblieNet 和 COVID-Net）进行对比分析，结果表明联邦学习框架相较于未使用框架的模型能够更好地检测 COVID-19。

    Jul, 2020

  • 医疗中的多模态联邦学习：一项综述

    多模态机器学习和联邦学习在医疗领域具有重要意义，并提出了多模态联邦学习在医疗领域的最新方法。此外，研究还揭示了领域中现有挑战的局限性，并提出了未来发展的方向，以满足医疗应用中尖端人工智能技术和患者数据隐私的迫切需求。

    Oct, 2023

  • 智能移动健康系统的隐私保护边缘联邦学习

    我们提出一种在物联网基础设施上，针对资源受限的移动健康和可穿戴技术的隐私保护边缘联邦学习框架，并通过在 Amazon 的 AWS 云平台上使用可穿戴技术监测癫痫的发作检测应用的实施评估了我们提议的框架。

    May, 2024

  • 智能医疗领域的联邦学习：一项调研

    本综述介绍 FL 在智能医疗中的应用，包括资源感知型 FL，安全和隐私意识型 FL，激励型 FL 和个性化 FL，重点关注 FL 在健康数据管理，远程健康监测，医学成像和 COVID-19 检测方面的新领域，分析了几个最近基于 FL 的智能医疗项目，并讨论了未来研究方向和挑战。

    Nov, 2021

  • 使用区块链联邦学习和深度学习模型进行 CT 成像 COVID-19 检测

    本研究提出一种使用区块链和联邦学习训练全球深度学习模型的框架，通过收集不同来源的少量数据来解决 COVID-19 的诊断问题和数据共享问题，展示了在 CT 图像识别方面比传统诊断方法更准确的表现。

    Jul, 2020

  • 集成联邦学习：一种协作性肺炎诊断方法

    通过集成联邦学习方法，在医疗图像数据集隐私保护的前提下，在胸部 X 线图像中取得了 96.63％的准确度，并在文献中与其他方法取得了相当竞争性的结果。

    Dec, 2023

  • 联邦学习与数字化健康的未来

    该论文考虑了隐私问题对医疗数据的影响，通过联邦学习提供了数字健康的潜在解决方案，并强调需要解决的挑战和问题。

    Mar, 2020

  • 使用来自中国、意大利和日本的多国数据进行胸部 CT COVID 区域分割的联邦半监督学习

    本研究提出了联邦半监督学习技术来解决不同临床数据中存在的域偏移问题，以利用所有可用数据进行 COVID-19 胸部 CT 图像分析和自动诊断，并证明该技术有效性。

    Nov, 2020

  • 移动边缘网络中的联邦学习：一项全面调查

    本文介绍了联邦学习技术与移动边缘计算的应用，讨论了在大规模和复杂的移动边缘网络中实现联邦学习所面临的挑战以及现有解决方案，探讨了联邦学习在移动边缘网络优化中的应用，以及未来的研究方向与挑战，包括保护隐私与安全。

    Sep, 2019