U-FDL-PPE:一个统一的联合深度学习框架,具有保护隐私的可解释性,用于早期和准确的病毒性疾病预测
Anupam Agrawal1, Asadi Srinivasulu2, Anant Mohan3
1Indian Institute of Information Technology, Allahabad, Uttar Pradesh, India.
Frontiers in radiology
|December 22, 2025
概括
这项研究介绍了U-FDL-PPE,这是一个联合的深度学习框架,用于早期检测病毒性疾病,以保护患者的隐私. 该系统实现了88%的准确性,为医疗保健网络提供透明和可靠的诊断见解.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 公共卫生 公共卫生
背景情况:
- 早期发现病毒性疾病对于及时治疗和公共健康至关重要.
- 现有的基于计算机的系统面临着患者隐私,数据兼容性和预测透明度方面的挑战.
- 需要分散的方法来克服医学诊断中的这些局限性.
研究的目的:
- 引入U-FDL-PPE,一个新的联合深度学习框架,用于早期和可靠的病毒性疾病诊断.
- 增强患者的保密性,并提供清晰,易于理解的预测见解.
- 为医疗保健网络开发一个隐私意识和透明的诊断解决方案.
主要方法:
- 使用了去中心化的学习方法,使协作模型培训能够在没有原始医疗图像交换的情况下进行.
- 采用MobileNetV2作为胸部X射线分类的核心模型.
- 集成的Grad-CAM用于生成视觉热图以解释模型决策.
- 在模拟的三机构网络中测试了COVID-19放射数据库上的框架.
主要成果:
- 在五轮训练中获得了88%的准确性和89.66%的F1得分.
- 证明了COVID-19,正常和病毒性肺炎类别的一致正确预测.
- 格拉德-CAM热图突出显示了临床相关的肺部区域,验证了该模型对预期诊断特征的关注.
结论:
- U-FDL-PPE为早期病毒性疾病诊断提供了一种实用,可扩展和保护隐私的解决方案.
- 该框架通过分散的培训和视觉解释来促进临床医生的信任.
- 它的轻量级架构和透明度使其适合在各种医疗保健环境中实践实施.
相关概念视频
01:26Principles of Disease Surveillance
439
Disease surveillance is the systematic collection, analysis, and interpretation of health data essential to the planning, implementation, and evaluation of public health practice. This process integrates data dissemination to entities responsible for preventing and controlling disease, injury, and disability. Surveillance systems provide crucial information for action, helping public health authorities make informed decisions to manage and prevent outbreaks, ensure public safety, optimize...
439
01:18Steps in Outbreak Investigation
466
In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis:
466