A Federated Learning-Integrated Autoencoder Model for Robust and Decentralized Pneumonia Detection in Chest X-Rays
Notice bibliographique
Résumé
A novel pneumonia detection system integrates Federated Learning (FL) with autoencoders to address data scarcity and privacy concerns commonly faced in medical diagnostics.Traditional pneumonia detection relies on supervised learning methods primarily Convolutional Neural Networks (CNNs) and transfer learning which require large, labelled datasets stored centrally, raising significant ethical and privacy challenges.In contrast, the proposed system leverages FL to enable collaborative model training across multiple medical institutions without sharing sensitive patient data.Autoencoders further enhance the model's ability to learn effectively from limited labelled data, improving its generalization in real-world clinical settings.Performance evaluations demonstrate that this approach outperforms existing models in detecting pneumonia from chest X-ray images, achieving superior accuracy, precision, recall, and F1-score.Specifically, the model reaches an accuracy of 95.15%, a precision of 95.8%, and a recall of 98.35%, significantly exceeding results from conventional CNN and transfer learning-based methods.The system not only delivers high diagnostic accuracy but also promotes ethical data handling by eliminating the need for centralized data storage.Overall, this solution addresses the critical limitations of traditional diagnostic frameworks and sets the foundation for secure, privacy-preserving, AI-driven clinical tools.
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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».