个性化临床决策支持系统中的注意力机制：联邦学习方法
机器学习
2025-03-24 v1 人工智能
分布式、并行与集群计算
新兴技术
摘要
随着新型疾病和复杂症状在快速发展的现代社会中出现，健康管理已成为一个主要问题。建设更好更智能的医疗基础设施是智慧城市的最终目标之一。据我们所知，神经网络模型已被用于协助医疗专业人员实现这一目标。通常，训练神经网络需要丰富的数据，但临床数据的异质性和脆弱性给传统的集中式网络带来了挑战。此外，向医疗数据库添加新输入需要从头开始重新训练现有模型。为了应对这些挑战，我们提出了一种基于深度学习的临床决策支持系统，该系统在联邦学习范式下进行训练和管理。我们专注于一种新颖策略，以保证患者隐私安全并克服网络攻击风险，同时实现大规模临床数据挖掘。因此，我们可以利用丰富的临床数据来训练每个本地神经网络，而无需交换患者的机密数据。此外，我们将所提出的方案实现为集成注意力机制的序列到序列模型架构。因此，我们的目标是提供一种具有可演化特性的个性化临床决策支持系统，能够提供准确的解决方案并协助医疗专业人员进行医疗诊断。
引用
@article{arxiv.2401.11736,
title = {Attention on Personalized Clinical Decision Support System: Federated Learning Approach},
author = {Chu Myaet Thwal and Kyi Thar and Ye Lin Tun and Choong Seon Hong},
journal= {arXiv preprint arXiv:2401.11736},
year = {2025}
}
备注
Published in IEEE BigComp 2021