隐私保护联邦学习推动个性化乳腺癌预测

研究人员开发了一个用于个性化乳腺癌预测的隐私保护联邦学习框架，该框架使用多模态数据。该方法旨在在保持数据本地性的同时，实现与集中式模型相当的预测性能。该研究评估了该框架的透明度、可扩展性、安全性和公平性，并结合了临床信息、生物标志物数据和MRI扫描来模拟肿瘤进展。研究结果表明，联邦学习在创建数字孪生以协助临床医生和患者进行治疗规划方面具有潜力。 AI

影响 这项研究通过允许在不损害患者隐私的情况下使用敏感医疗数据进行模型训练，从而能够实现更安全、更个性化的医疗保健应用。

排序理由 该项目是一篇详细介绍新研究方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• Breast cancer prediction using genome wide single nucleotide polymorphism data.
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• digital twin
• federated learning
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• MRI scans
• ScienceCast

• 论文
• 安全
• 产品

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →