Realizing Health 4.0 in Beyond 5G Networks
Notice bibliographique
Résumé
The advancements of Edge and Internet of Things (IoT) devices in terms of their processing, storage and communication capabilities, in addition to the advancements in wireless communication and networking technologies, have led to the rise in Intelligent Edge-enabled IoT architectures. Federated Learning (FL) is one example in which intelligence is adapted to the edge to offload some of the processing load from centralized entities and maintain secure localized model training. With Health 4.0, it is anticipated that distributed and edge-supported Artificial Intelligence (AI) will enable faster and more accurate early-stage disease discovery that relies significantly on intelligent remote and on-site IoT devices. Given that healthcare systems are highly scrutinized by both governments and patients to maintain high levels of data privacy and security, FL coupled with the support of blockchain will provide an optimal solution to reinforce today's healthcare frameworks. In this paper, we propose a FL-enabled framework for healthcare systems that is supported by edge-computing, blockchain and intelligent IoT devices. The solution considers a pneumonia detection use-case as a proof-of-concept and is applicable to an extended set of health-related use-cases. Different pre-trained models are compared against the proposed FL-supported model, namely, CNN, GG16, VGG19, InceptionV3, ResNet, DenseNet, and Xception. Results show high model accuracy attainment and significant improvements in terms of data privacy.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,055 | 0,051 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».