Federated Machine Learning for Detection of Skin Diseases and Enhancement of Internet of Medical Things (IoMT) Security
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Human skin disease, the most infectious dermatological ailment globally, is initially diagnosed by sight. Some clinical screening and dermoscopic analysis of skin biopsies and scrapings for accurate classification are medically compulsory. Classification of skin diseases using medical images is more challenging because of the complex formation and variant colors of the disease and data security concerns. Both the Convolution Neural Network (CNN) for classification and a federated learning approach for data privacy preservation show significant performance in the realm of medical imaging fields. In this paper, a custom image dataset was prepared with four classes of skin disease, a CNN model was suggested and compared with several benchmark CNN algorithms, and an experiment was carried out to ensure data privacy using a federated learning approach. An image augmentation strategy was followed to enlarge the dataset and make the model more general. The proposed model achieved a precision of 86%, 43%, and 60%, and a recall of 67%, 60%, and 60% for acne, eczema, and psoriasis. In the federated learning approach, after distributing the dataset among 1000, 1500, 2000, and 2500 clients, the model showed an average accuracy of 81.21%, 86.57%, 91.15%, and 94.15%. The CNN-based skin disease classification merged with the federated learning approach is a breathtaking concept to classify human skin diseases while ensuring data security.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle