PulseAugur
中
实时 06:45:22
English(EN) Federated Survival Analysis in Healthcare: A Multi-Model Evaluation on Cross-Institutional Heterogeneous Breast Cancer Data

联邦学习在医疗生存分析领域展现潜力 · 追踪2个来源

作者 PulseAugur 编辑部 · [2 个来源] ·

一篇新论文评估了联邦学习在医疗生存分析中的应用，特别是在跨多个机构的乳腺癌数据集上。该研究使用FedAvg、FedProx和FedAdam等联邦优化策略，比较了三种生存模型（Cox比例风险模型、DeepSurv和Random Survival Forest）。结果表明，联邦学习方法在保护患者隐私的同时，其性能可以媲美甚至超越集中式方法。Random Survival Forest模型在准确性和鲁棒性方面取得了最佳平衡，其性能受到客户端数据多样性的影响。 AI

影响 联邦学习为开发稳健的医疗生存模型提供了一种保护隐私的方法，有望加速临床决策。

排序理由 该集群包含一篇研究论文，详细介绍了联邦学习在医疗生存分析领域的评估。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

联邦学习在医疗生存分析领域展现潜力 · 追踪2个来源

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Natalia Moreno-Blasco, Anusha Ihalapathirana, Pekka Siirtola, Miguel Fernandez-de-Retana ·

    Federated Survival Analysis in Healthcare: A Multi-Model Evaluation on Cross-Institutional Heterogeneous Breast Cancer Data

    arXiv:2606.23871v1 Announce Type: cross Abstract: Survival analysis is central to clinical decision-making, yet reliable time-to-event models require large, diverse cohorts that are rarely available at a single institution, while privacy regulations restrict the centralization of…

  2. arXiv stat.ML TIER_1 English(EN) · Miguel Fernandez-de-Retana ·

    Federated Survival Analysis in Healthcare: A Multi-Model Evaluation on Cross-Institutional Heterogeneous Breast Cancer Data

    Survival analysis is central to clinical decision-making, yet reliable time-to-event models require large, diverse cohorts that are rarely available at a single institution, while privacy regulations restrict the centralization of patient data. Federated learning (FL) offers a pr…

相关实体

相关话题