PulseAugur
中
实时 11:26:01
English(EN) Embedding-Based Federated Learning with Runtime Governance for Iron Deficiency Prediction

联邦学习系统改进临床试验中的铁缺乏症预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种基于嵌入的联邦学习系统，用于利用常规血细胞计数数据预测铁缺乏症。该系统部署在两个不同的临床环境中：阿姆斯特丹大学医学中心 (AUMC) 和英国国家医疗服务体系血液与移植中心 (NHSBT)，以应对非独立同分布 (non-IID) 数据和通信开销的挑战。该方法利用预训练的基础模型 DeepCBC 进行局部表示提取，并采用一种名为 FedMAP 的个性化聚合方法，与标准聚合和仅局部训练相比，提高了预测准确性。 AI

影响 展示了一种用于临床数据的新型联邦学习方法，有望提高医疗保健 AI 的诊断准确性和隐私性。

排序理由 发表了一篇详细介绍新型联邦学习方法及其部署的学术论文。[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 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Fan Zhang, Simon Deltadahl, Majid Lotfian Delouee, Daniel Kreuter, Joseph Taylor, Allerdien Visser, BloodCounts Consortium, James H. F. Rudd, Nicholas S. Gleadall, Suthesh Sivapalaratnam, Folkert Asselbergs, Martijn C. Schut, Michael Roberts ·

    Embedding-Based Federated Learning with Runtime Governance for Iron Deficiency Prediction

    arXiv:2605.21563v1 Announce Type: new Abstract: Recent reviews find that the vast majority of published healthcare federated learning (FL) studies never reach real-world deployment. We developed an embedding-based FL pipeline for iron deficiency prediction from routine full blood…

相关话题