Highly efficient homomorphic encryption-based federated learning for diabetic retinopathy classification
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
Purpose: Diabetic retinopathy (DR) is the leading cause of blindness among working-age adults globally. Although machine learning (ML) has shown promise for DR diagnosis, ensuring model generalizability requires training on data from diverse populations. Federated learning (FL) offers a potential solution by enabling model training on decentralized datasets. However, privacy concerns persist in FL due to potential privacy breaches, such as gradient inversion attacks, which can be used to reconstruct sensitive training data and may discourage participation from patients. Approach: We developed and tested a computationally efficient FL framework that integrates homomorphic encryption (HE) to safeguard patient privacy using 6457 retinal fundus images from the APTOS-2019 and ODIR-5K datasets. First, features are extracted from distributed fundus images using RETFound, a large pretrained foundation model for retinal analysis. These encrypted features are then used to train a lightweight multiclass logistic regression head (MLRH) model for DR grade classification using FL. Results: on ODIR-5K. Efficiency improvements include a 95.9-fold reduction in computation time and a 63.0-fold reduction in data transfer needs compared with fine-tuning the full RETFound model with FL. In addition, results showed that integrating HE effectively protects patient data against gradient inversion attacks. Conclusions: We advance privacy-preserving, ML-based DR screening technology, supporting the goal of equitable vision care worldwide.
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 | 0,002 | 0,004 |
| 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 | 0,001 |
| 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