PulseAugur
中
实时 09:45:12
English(EN) Federated generative event models for tokenized electronic health records

联邦生成模型在电子健康记录方面展现出潜力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了用于分词电子健康记录的联邦生成事件模型（GEMs），解决了不同医疗系统之间的数据孤岛和性能下降问题。在对三个独立医疗系统的评估中，这些联邦GEMs在临床预测任务上表现强劲，接近集中训练的有效性。研究发现，联邦学习在技术上是可行的，并且能保留大部分集中训练的性能，尤其是在本地训练数据有限的情况下，能带来显著的好处。 AI

影响 用于电子健康记录的联邦学习方法可以解锁大型、孤立的数据集，以改进临床预测和研究。

排序理由 学术论文，详细介绍了一种在敏感数据上训练AI模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

联邦生成模型在电子健康记录方面展现出潜力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Michael C. Burkhart, Luke Solo, Inhyeok Lee, S'Khaja Charles, Zewei "Whiskey" Liao, Kaveri Chhikara, Dema Therese, Wan-Ting Liao, Catherine A. Gao, William F. Parker, Brett K. Beaulieu-Jones ·

    Federated generative event models for tokenized electronic health records

    arXiv:2608.02939v1 Announce Type: new Abstract: Electronic health record foundation models are limited by institutionally siloed data and substantial performance degradation under cross-site transfer. We evaluated federated training of tokenized generative event models (GEMs) acr…

相关实体

相关话题