Revolutionizing pathological assessments with privacy-centric machine learning models
Notice bibliographique
Résumé
This study aims to explore the possibility of using fully homomorphic encryption (FHE) in conjunction with machine learning for private pathological evaluation. Specifically, we will look at how support vector machine (SVM) inference phases might be used to classify sensitive medical data. To make SVM inference on encrypted datasets easier to implement, a system is presented that makes use of the Cheon-Kim-Kim-Song (CKKS) FHE protocol. This architecture eliminates the need to decode data before analysis and guarantees the confidentiality of patient records. Further, a method for efficiently extracting features from medical images for use in vector representations is introduced. The system's performance and usefulness are supported by its examination on different datasets. Classification accuracy and performance are comparable to that of conventional, non-encrypted SVM inference; however, the suggested technique protects the CKKS scheme from known cryptographic assaults with a 128-bit security level. In a matter of seconds, the secure inference procedure is carried out. Cardiology, oncology, and medical imaging are just a few of the areas that could gain from FHE's improved security and efficiency in bioinformatics analyses, according to these results. The significant future implications of this research for privacy-preserving machine learning can pave the way for improvements in diagnostic processes, individualized medical treatments, and clinical investigations.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,016 | 0,055 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».