プロキシマル誘導ハイブリッド連邦学習アプローチとパラメータ効率の良い適応知能による肺炎診断

科学分野:

• 医用画像における人工知能
• ヘルスケアのための連邦学習
• コンピュータ支援診断

背景:

• 肺炎診断は胸部X線撮影に依存していますが、データプライバシーと断片化がAI開発を妨げています。
• 連邦学習（FL）は、機密性の高い患者データを共有せずに協調的なAIトレーニングを可能にします。
• FedAvgのような既存のFL手法は、データ不均一性と高い通信オーバーヘッドに苦労しています。

主な方法:

• プロキシマル最適化のためのFedProxとパラメータ効率の良いファインチューニングのためのLow-Rank Adaptation（LoRA）を使用したアップグレードされた連邦フレームワークを実装しました。
• 胸部X線写真の分類のバックボーンとしてVision Transformers（ViT）を利用し、グローバルコンテキストを捉えました。
• Chest X-Ray Imagesデータセットを使用して、複数のクライアントにわたって分散環境をシミュレートしました。

結論:

• 提案された連邦学習アプローチは、肺炎検出の精度と効率を向上させます。
• このフレームワークは、メモリフットプリントが小さいため、リソースが制約された医療インフラストラクチャに適しています。
• 説明可能性機能は、信頼性と透明性を高め、臨床的採用を促進します。