Federated and Transfer Learning for Cancer Detection Based on Image Analysis

要約

このレビュー記事では、画像解析に基づくがん検出における連合学習 (FL) と転移学習 (TL) の役割について説明します。
機械学習を利用したこれら 2 つの戦略は、がん検出における機械学習技術の重要性が高まっていることを踏まえ、がん診断の精度と有効性を向上させる可能性があるため、多くの注目を集めています。
FL を使用すると、一元的なデータ共有を必要とせずに、複数のサイトに分散されたデータで機械学習モデルをトレーニングできます。一方、TL では、あるタスクから別のタスクへの知識の伝達が可能になります。
2 つの方法の長所と短所を含む総合的な評価が示されます。
次に、将来の可能性のある方向性も含めて、がん検出におけるそれらの応用について説明します。
最後に、この記事では、画像ベースのがん検出における TL と FL の機能について詳しく説明します。
著者らはまた、この急速に発展している分野におけるさらなる研究について洞察力に富んだ提案を行っています。

要約(オリジナル)

This review article discusses the roles of federated learning (FL) and transfer learning (TL) in cancer detection based on image analysis. These two strategies powered by machine learning have drawn a lot of attention due to their potential to increase the precision and effectiveness of cancer diagnosis in light of the growing importance of machine learning techniques in cancer detection. FL enables the training of machine learning models on data distributed across multiple sites without the need for centralized data sharing, while TL allows for the transfer of knowledge from one task to another. A comprehensive assessment of the two methods, including their strengths, and weaknesses is presented. Moving on, their applications in cancer detection are discussed, including potential directions for the future. Finally, this article offers a thorough description of the functions of TL and FL in image-based cancer detection. The authors also make insightful suggestions for additional study in this rapidly developing area.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google