Fed-ensemble: Enhancing Federated Learning with Ensemble Models for an Explainable Thyroid Cancer Recurrence Prediction
Notice bibliographique
Résumé
The prediction of thyroid cancer recurrence is a critical task in clinical decision-making, yet traditional machine learning models face significant challenges, particularly around data privacy, model generalization with huge datasets, and interpretability. In healthcare, patient data is sensitive and sharing it across institutions for model training raises privacy concerns. This research addresses these issues by utilizing federated learning (FL), a decentralized machine learning approach that allows institutions to collaboratively train a model while ensuring patient data remains private. FL enables local model training at each institution, with only model updates shared across participants, safeguarding sensitive data. Alongside federated learning, the study incorporates Explainable AI (XAI) techniques to enhance the transparency of predictions, enabling clinicians to interpret and trust the model’s decision-making process. By combining multiple machine learning models in an ensemble approach, the research improves the prediction accuracy and robustness of thyroid cancer recurrence, even with limited data. The method is evaluated using a cohort dataset of thyroid cancer patients, with synthetic data augmentation addressing data scarcity. The results demonstrate that the approach outperforms traditional models while addressing critical challenges of data privacy and model interpretability. This proposed model outperforms previous methods, significantly higher than the best result on same dataset from prior work. Additionally, our model shows superior performance even when trained on larger datasets, confirming its generalizability and robustness.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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; 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 ».