FAIR-ification of structured Head and Neck Cancer clinical data for multi-institutional collaboration and federated learning
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
Abstract Federated learning has been demonstrated as an acceptable clinical research methodology for producing analyses and models on dispersed datasets, without the need for exchanging individual patient-level data. Attention needs to be given to making repositories of clinical data Findable, Accessible, Interoperable and Reusable (FAIR) in order to realize the potential of such clinical data in federated learning applications. This work draws attention to FAIR-ification structured clinical data of Head and Neck cancer patients, generated in different parts of the world with incompatible terminologies. We began with an “open world” approach by converting the native datasets into the Resource Descriptor Framework format, and then applying a customized local annotation for each dataset to map the data fields to open access ontologies. This approach allows interactive data exploration by means of a federated SPARQL query-based dashboard. The annotations and dashboard visualizations were constructed without using the individual patient-level data. It is feasible to develop and validate multi-institutional statistical models with federated learning on top of the annotations that make the data FAIR. Findings are robust and potentially scalable to a larger number of participating institutions. The annotation methodology proposed here supports multiple simultaneous mappings (such as the data being re-used in multiple different projects) while keeping the native data the same. Future work may be to include certain rules and requirements for classes and predicates, and using the Shapes Constraint Language for checking the validity of the data.
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 | 0,008 | 0,011 |
| 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 | 0,003 | 0,006 |
| Science ouverte | 0,002 | 0,008 |
| 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 découle