Federated Learning for Medical Applications: A Taxonomy, Current Trends, Challenges, and Future Research Directions

要約

IoT、AI、および ML/DL アルゴリズムの出現により、データ主導の医療アプリケーションは、医療データから信頼性が高くスケーラブルな診断および予後モデルを設計するための有望なツールとして浮上しています。
近年、学界から産業界まで大きな注目を集めています。
これにより、医療提供の質が向上したことは間違いありません。
ただし、これらの AI ベースの医療アプリケーションは、厳格なセキュリティ、プライバシー、およびサービスの品質基準 (低遅延など) を満たすのが難しいため、まだ採用されていません。
さらに、医療データは通常、断片化されており、プライベートであるため、母集団全体で確実な結果を生成することは困難です。
連合学習 (FL) の最近の開発により、複雑な機械学習モデルを分散方式でトレーニングできるようになりました。
このように、FL は活発な研究領域となり、特にネットワークの端で医療データを分散化された方法で処理して、プライバシーとセキュリティの問題を保護しています。
この目的のために、この調査論文は、データ共有が大きな負担となる医療アプリケーションにおける FL 技術の現在と将来に焦点を当てています。
また、信頼性が高くスケーラブルな FL モデルを設計するための現在の研究動向とその成果についても検討し、議論します。
一般的な FL の統計上の問題、デバイスの課題、セキュリティ、プライバシーの問題、および医療分野におけるその可能性について概説します。
さらに、私たちの研究は医療アプリケーションにも焦点を当てており、グローバルな癌の負担と、それらに対処するためのコンピューター支援診断ツールの開発のための FL の効率的な使用を強調しています。
このレビューが、既存の最先端の研究を徹底的に説明し、この分野の未解決の問題と将来の研究の方向性を提示するチェックポイントとして機能することを願っています。

要約(オリジナル)

With the advent of the IoT, AI, and ML/DL algorithms, the data-driven medical application has emerged as a promising tool for designing reliable and scalable diagnostic and prognostic models from medical data. This has attracted a great deal of attention from academia to industry in recent years. This has undoubtedly improved the quality of healthcare delivery. However, these AI-based medical applications still have poor adoption due to their difficulties in satisfying strict security, privacy, and quality of service standards (such as low latency). Moreover, medical data are usually fragmented and private, making it challenging to generate robust results across populations. Recent developments in federated learning (FL) have made it possible to train complex machine-learned models in a distributed manner. Thus, FL has become an active research domain, particularly processing the medical data at the edge of the network in a decentralized way to preserve privacy and security concerns. To this end, this survey paper highlights the current and future of FL technology in medical applications where data sharing is a significant burden. It also review and discuss the current research trends and their outcomes for designing reliable and scalable FL models. We outline the general FL’s statistical problems, device challenges, security, privacy concerns, and its potential in the medical domain. Moreover, our study is also focused on medical applications where we highlight the burden of global cancer and the efficient use of FL for the development of computer-aided diagnosis tools for addressing them. We hope that this review serves as a checkpoint that sets forth the existing state-of-the-art works in a thorough manner and offers open problems and future research directions for this field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google