MetaFusion-FL: A Cross Modality Federated Meta Learning Framework for Robust and Explainable Healthcare System
Notice bibliographique
Résumé
Mpox is a re-emerging zoonotic viral disease that attracted the attention of the whole world because of its spreading transmission and clinical similarity with other skin diseases. It is highly important that this identification is fast and accurate, even in remotely located areas or resource-limited settings. However, the conventional centralized deep learning models exhibit severe limitations regarding data privacy, modality variation, and scalability across varied clinical environments. To this end, this paper presents MetaFusion-FL, a new federated meta-learning framework that combines cross-modality image analysis based on a hybrid Transformer-Capsule model with Hierarchical Attention-Based Multimodal Fusion (HAMFM). The model can work on multi-source images as input, namely smartphone images, dermoscopic images, and clinical images, which are processed locally at edge hospitals without raw data transmission. Reptile federated meta-learning strategy guarantees quick personalization of models and global generalization. When evaluated on a wide dataset, MetaFusion-FL has a higher classification accuracy of 99.46%, precision of 99.52%, recall of 99.40%, and F1-score of 99.46% compared to other current models, including ViT-RLXGBFL (99.12%) and ResViT-FLBoost (98.78%). The framework is also resistant to image noise and is consistent and stable across federated clients. Besides, SHAP and Grad-CAM++ explanations are used to ensure interpretability in a clinical context. MetaFusion-FL is therefore a leap in the development of AI-based, privacy-preserving, and generalizable skin disease classification, particularly Mpox.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 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 ».