Key points are not available for this paper at this time.
인공지능 혁명은 대규모 데이터셋의 가용성에 의해 촉발되었습니다. 대조적으로, 대규모 의료 데이터셋의 부족은 의료 분야에서 기계 학습의 적용을 저해하고 있습니다. 공개적으로 이용 가능한 다중 센터와 다양한 데이터셋의 부족은 주로 의료 데이터 공유에 대한 기밀성 및 프라이버시 문제에서 비롯됩니다. 의료 이미징에서 실행 가능한 경로를 시연하기 위해, 우리는 조직병리학 이미지 분석을 위한 차등 프라이버시 연합 학습 프레임워크를 적용한 사례 연구를 수행하며, 이는 가장 크고 아마도 가장 복잡한 의료 이미지입니다. 우리는 공공 저장소인 The Cancer Genome Atlas (TCGA) 데이터셋을 사용하여 분산 환경을 시뮬레이션하며, IID 및 비 IID 분포와 의료 제공자 수(즉, 병원 및 클리닉)와 개별 데이터셋 크기의 영향을 연구합니다. 우리는 개인화된 분산 훈련과 전통적인 훈련의 성능을 경험적으로 비교하고, 분산 훈련이 강력한 프라이버시 보장과 함께 유사한 성능을 달성할 수 있음을 보여줍니다. 또한 외부 검증을 사용하여 조직병리학 이미지의 다양한 출처 도메인이 성능에 미치는 영향을 연구합니다. 우리의 연구는 차등 프라이버시 연합 학습이 의료 이미지 분석에서 기계 학습 모델의 협력적 개발을 위한 실행 가능하고 신뢰할 수 있는 프레임워크임을 나타냅니다.
Adnan et al. (금요일) 는 이 질문을 연구했습니다.