Domain adaptive FL for edge-enabled privacy-preserving MRI analysis
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
Data heterogeneity, privacy leakage challenges, the ineffectiveness of conventional collaborative learning techniques, and unresolved managing non-IID data distributions are some of the major obstacles to implementing artificial intelligence (AI) in healthcare. Federated learning (FL) frameworks frequently have trouble distinguishing between privacy protection and model accuracy, especially when used for delicate medical imaging applications. This study presents a novel framework that synergizes federated learning (FL) with edge computing to address these issues while safeguarding patient privacy. Our proposed Domain Adaptive Federated (DAD) learning approach effectively mitigates both inter-client and intra-client data heterogeneity, enabling collaborative model training across diverse medical imaging modalities (MRI, CT, PET) through cross-domain adaptation. Experimental evaluations on MRI brain segmentation datasets demonstrate the superior performance of DAD compared to traditional FL methods, as evidenced by significant improvements in F1-score (96.3), sensitivity (96.0), specificity (97.1), and AUC (96.7). This enhanced accuracy and robustness in handling heterogeneous and privacy-sensitive data render DAD an ideal candidate for privacy-preserving AI in consumer healthcare. By pioneering innovative strategies for collaborative model training and data privacy, this research contributes to the emerging field of edge intelligence, paving the way for improved patient outcomes while adhering to stringent confidentiality and ethical mandates.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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