Dec, 2022

利用深层联邦学习实现早期预测 ICU 死亡风险

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 基于联邦学习的 ICU 疗程长度预测的客户招募

    本文提出了一种仅利用客户端的输出分布和样本大小来招募客户端的方法，从而招募一部分客户端，以显著提高计算时间，同时不损失模型性能。在 189 家重症监护单位的数据上进行的训练表明，使用这种方法训练出的联邦模型在预测能力和训练时间方面显着优于使用标准方法训练的联邦模型。

    Apr, 2023

  • 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

    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。

    Mar, 2019

  • 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

  • 医学图像分类的联邦蒸馏：走向可靠的计算机辅助诊断

    本论文提出了一种基于联邦学习的隐私保护医学图像分类框架 (FedMIC)，通过全局和局部知识使医疗组织从私有数据中获得定制模型，同时减少通信开销和提高效率，提高在资源受限条件下的稳健性和实际适用性。通过使用四个公共医学图像数据集展示了 FedMIC 的有效性。

    Jul, 2024

  • 模拟跨机构精神科设置中的暴力事件预测的联邦学习

    本文研究应用联邦学习和自然语言处理于跨机构精神科领域进行暴力危险评估，并比较四个模型的性能，结果显示联邦学习模型表现最佳，可能为基于临床笔记的联邦学习应用开启了新的可能性。

    May, 2022

  • 基于交替客户端的医学图像联邦学习性能和可扩展性研究

    本文介绍了关于联邦学习的理论方面，提出了一个聚合算子和不同类型的联邦学习，针对客户端数据分布要考虑的问题进行了详尽的分析，并提出了胸部 X 光图像分析的使用案例。针对训练数据中的不同客户端进行了模拟，并考虑了中断客户端所带来的不同问题及其解决方案。比较了集中式方法、三个客户端和十个客户端的预测结果，结果显示联邦学习在保护隐私以及提高预测准确性、降低运行时间方面具有很好的效果。最后，提出了未来工作和改进方向。

    Jul, 2022

  • 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

  • CXR-FL: 基于深度学习的胸部 X 射线图像分析使用联邦学习

    本篇论文提出并评估了一个名为 CXR-FL 的基于深度学习的联邦学习方法，用于医学影像分析，证明了联邦学习有助于保持模型的泛化能力以及深度学习模型对于肺部分割数据更为敏感，且其在分类方面的性能对于联邦学习的参数选择有一定程度的依赖。

    Apr, 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