ავტორი : Ittai Dayan Holger R. Roth Aoxiao Zhong Ahmed Harouni Amilcare Gentili Anas Z. Abidin Andrew ლიუ Anthony Beardsworth Costa Bradford J. Wood Chien-Sung Tsai Chih-Hung Wang Chun-Nan Hsu C. K. Lee Peiying Ruan Daguang შუ Dufan Wu Eddie Huang Felipe Campos Kitamura Griffin Lacey Gustavo César de Antônio Corradi Gustavo Nino Hao-Hsin Shin Hirofumi Obinata Hui Ren Jason C. Crane Jesse Tetreault Jiahui Guan John W. Garrett Joshua D. Kaggie Jung Gil Park Keith Dreyer Krishna Juluru Kristopher Kersten Marcio Aloisio Bezerra Cavalcanti Rockenbach Marius George Linguraru Masoom A. Haider Meena AbdelMaseeh Nicola Rieke Pablo F. Damasceno Pedro Mario Cruz e Silva Pochuan Wang Sheng Xu Shuichi Kawano Sira Sriswasdi Soo Young Park Thomas M. Grist Varun Buch Watsamon Jantarabenjakul Weichung Wang Won Young Tak Xiang Li Xihong Lin Young Joon Kwon Abood Quraini Andrew Feng Andrew N. Priest Baris Turkbey Benjamin Glicksberg Bernardo Bizzo Byung Seok Kim Carlos Tor-Díez Chia-Cheng Lee Chia-Jung Hsu Chin Lin Chiu-Ling Lai Christopher P. Hess Colin Compas Deepeksha Bhatia Eric K. Oermann Evan Leibovitz Hisashi Sasaki Hitoshi Mori Isaac Yang Jae Ho Sohn Krishna Nand Keshava Murthy Li-Chen Fu Matheus Ribeiro Furtado de Mendonça Mike Fralick Min Kyu Kang Mohammad Adil Natalie Gangai Peerapon Vateekul Pierre Elnajjar Sarah Hickman Sharmila Majumdar Shelley L. McLeod Sheridan Reed Stefan Gräf Stephanie Harmon Tatsuya Kodama Thanyawee Puthanakit Tony Mazzulli Vitor Lima de Lavor Yothin Rakvongthai Yu Rim Lee Yuhong Wen Fiona J. Gilbert Mona G. Flores Quanzheng Li ავტორი : ITTAI DAYAN HOLGER R. ROH Aoxiao შოხა Ahmed Harouni სათაური Amilcare მეგობრული ANAS Z. ABIDIN Andrew ლიუ Anthony Beardsworth კოსტა Bradford J. WOOD სათაური Chen-Sung ტაი ჩიხ-ჰან Wang Chun-Nan შუ C. K. ლი რელიგიური Daguang შუ Dufan Wu დის Huang Felipe Campos დატვირთვა გრიფინი Lacey GUSTAVO CÉZAR DE ANTÔNIO CORRADI- ს GUSTAVO NIANO ჰო-HSIN SHIN Hirofumi აღინატა Hui Ren Jason C. კანი Jesse Tetreault სათაური Jiahui კუნძულები JOHN W. GARRET Joshua D. კგი Jung Gil პარკი Keith დრაიერი ქრისტე ქრისტე ქრისტე ქრისტე ქრისტე Marcio Aloisio Bezerra Cavalcanti Rockenbach, შპს Marius Georgi Linguraru სათაური Masoom A. ჰიდერი მეინია AbdelMaseeh NICOLA რკინი პლაბო F. Damasceno Pedro Mario Cruz და Silva პოსტი Wang Sheng შუ SHUICHI KAWANO Sira Sriswasdi Soo Young პარკი Thomas M. გრისტ ბიბლია Watsamon სამზარეულო კონტაქტი Wang WON YOUNG TAK ჩინეთი Li Xihong ლინ Young Joon კონ Abood კრაინები Andrew ფენ Andrew N. Priest სათაური ბრიტანეთი Turkbey ბენამინი Glicksberg ბერანდიო ვიზო ჩინეთი Kim Seok Carlos Tor-Díez სათაური Chen-Cheng Lee სათაური ჩია-Jung Hsu ჩინეთი კუნძულები ქრისტეს P. Hess კონტაქტი Compas Deepeksha ბატია Eric K. Oermann სათაური Evan Leibovitz სათაური HISASHI SASAKI სათაური Hitoshi მორები Isaac იან Jae Ho Sohn Keshava და Krishna Nand Murthy Li-Chen ფუ იურიდიული რუკა: Ribeiro Furtado de Mendonça მინი Fralick მინი Kyu Kang მენეჯერი Natalie Gangai საწყისი პორნოგრაფიული Vateekul პერი Elnajjar სარი Hickman Sharmila Majumdar Shelley L. McLeod-ის მეშვეობით Sheridan რედი სტატისტიკა Gräf სტეპანია Harmon Tatsuya კოდმა ტურისტული კურსი Tony Mazzulli სათაური კონტაქტი: Vitor Lima de Trabor Yothin Rakvongthai-ის შერჩევა Yu Rim ლი Yuhong სინათლის Fiona J. გლიბერი Mona G. ფერები კუნძული Li Abstract პოსტი Federated learning setting (FL) არის მონაცემთა მეთოდი, რომელიც გამოიყენება გაფართოების გაფართოების გაფართოების მონაცემების მონაცემების მონაცემების გაფართოების საშუალებით, ხოლო მონაცემების ანონიმუზიას გაგრძელება. აქ ჩვენ გამოიყენეთ მონაცემები 20 ინსტიტუტიდან მსოფლიოში, რათა ტრენინგი FL მოდელი, რომელიც გამოიყენება EXAM (Electronic Medical Record (EMR) chest X-ray AI მოდელი), რომელიც პროგნოზიას მომავალში ციკლის მოთხოვნებს სიმპტომური პაციენტებს COVID-19 გამოყენებით ინტენსიური სიმპტომები, ლაბორატორიული მონაცემები და chest X-rays. EXAM შეესაბამება საშუალო ფართობი ქვეშ curve (AUC) >0.92 მთავარი მეცნიერების, მეცნიერების, სამედიცინო და მონაცემთა მეცნიერების საზოგადოება შეესაბამება COVID-19 პანდიმური კაციას, რათა სწრაფად შეამოწმოთ ახალი პარამეტრები ხელოვნური ინტელექტურობის (AI)გან, რომლებიც სწრაფად და უსაფრთხოდ არიან, და პოტენციურად სავარაუდობს მონაცემთა გაზიარება და მოდელი ტრენინგი და ტესტირება გარეშე კონტაქტური თანამშრომლობის ჩვეულებრივი კონფიდენციალურობის და მონაცემთა მახასიათებლები. , ჯანმრთელობის მომსახურების მომწოდებლები, კვლევა და ინდუსტრია შეუზღუდავი შეუზღუდავი და მნიშვნელოვანი კლინიკური მოთხოვნებს, რომლებიც შექმნილია კლინიკური კლინიკას, შეუზღუდავი შედეგებს აძლევს. , , , , , , კლინიკური კვლევების რეიტინგი გააუმჯობესდა და დაეხმარა ეროვნული რეგულარული ორგანიზაციები და საერთაშორისო თანამშრომლობის ფსიქია. , , მონაცემთა ანალიტიკა და AI ფართობი ყოველთვის გაუმჯობესდა Open and Collaborative მიმოხილვა, აღჭურვილობა კონცეფციები, როგორიცაა Open-Source პროგრამული უზრუნველყოფა, რეპუტაციის კვლევა, მონაცემთა repositories და გაძლევთ ხელმისაწვდომია anonimized მონაცემთა კომპონენტები საზოგადოებას. , მას შემდეგ, რაც გულისხმობს, რომ კლინიკური და სამეცნიერო საზოგადოების საშუალებას გაძლევთ სწრაფად შეესაბამება სწრაფად განვითარებული და პოპულარული გლობალური პრობლემებს. მონაცემთა გაზიარება შეიცავს ეტიკური, რეგულარული და რეგულარული კომპლექსურობა, რომელიც აღწევს, და, ალბათ, ზოგიერთი რთული, დიდი ტექნოლოგიური კომპანიების უახლესი შევიდა ჯანმრთელობის მონაცემთა მსოფლიოში. , , . 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 ამ ტიპის თანამშრომლობის კონკრეტული მაგალითია ჩვენი წინა მუშაობა AI-based SARS-COV-2 კლინიკური გადაწყვეტილებების მხარდაჭერა (CDS) მოდელის შესახებ. ეს CDS მოდელი გააუმჯობესდა Mass General Brigham- ში (MGB) და მრავალფეროვანი ჯანმრთელობის სისტემების მონაცემებს შეამოწმდა. CDS მოდელის ინტენსიები იყო კუნთების X-ray (CXR) სურათები, სიცოცხლის სიმბოლოები, პოპულარული მონაცემები და ლაბორატორიული ღირებულებები, რომლებიც დასაწყისში გამოჩნდა COVID-19- ის პაციენტების შედეგების პროგნოზიას. , , , CXR აირჩიეთ იმიტომ, რომ ის ფართოდ ხელმისაწვდომია და ჩვეულებრივ განიხილება რჩევებს, როგორიცაა ACR- ის მიერ უზრუნველყოფა. Fleischner საზოგადოება WHO National Thoracic კომპანიები National Health Ministry COVID სახელმძღვანელოები და radiology კომპანიები მსოფლიოში CDS- ის მოდელის გამოცემა, რომელიც CORISK- ს იყო. , რომელიც შეესაბამება ქსელის მხარდაჭერა მოთხოვნებს და შეიძლება დაეხმაროს პაციენტებს frontline კლინიკატორებს , , ჯანმრთელობის მომსახურების მომწოდებლები ცნობილია, რომ უპირატესობა მოდელები, რომლებიც validated მათი საკუთარი მონაცემები ამჟამად, ყველაზე AI მოდელები, მათ შორის აღწერილი CDS მოდელი, უკვე სასწავლოდა და შეუზღუდავდა "კროზიული" მონაცემებით, რომლებიც ხშირად არ აქვს მრავალფეროვნება. , , პოტენციურად გამოწვევა overfitting და დაბალი გაფართოება. ეს შეიძლება შეამციროს ტრენინგი სხვადასხვა მონაცემები მრავალფეროვანი საიტები გარეშე ცენტრიზაციის მონაცემები გამოყენების მეთოდები, როგორიცაა transfer learning , ან FL. FL არის მეთოდი, რომელიც გამოიყენება AI მოდელები სხვადასხვა მონაცემთა წყაროები, გარეშე მონაცემები გადამცემა ან გამოცემა თავდაპირველად ადგილი. მიუხედავად იმისა, რომ გამოიყენება მრავალი ინდუსტრიაში, FL უკვე უახლესი დროის განმავლობაში შეიმუშავებულია საინფორმაციო ჯანმრთელობის კვლევისთვის . 18 19 20 21 22 23 24 25 26 27 28 29 30 27 31 32 33 34 35 36 Federated Learning მხარს უჭერს სწრაფი დასაწყისში ცენტრიზებული ექსპერიმენტები გაუმჯობესებული მონაცემების გაუმჯობესება და შეფასება ალგორტიმური ცვლილებები და ეფექტი One approach to FL, called client-server, sends a ‘non-trained’ model to other servers (‘nodes’) that conduct partial training tasks, ამავე დროს გადაცემის შედეგები უკან, რათა შეესაბამება ცენტრალური (‘federated’) სერვერზე. . 37 36 FL- ის მონაცემთა მართვა ადგილობრივ გაგრძელდება, კონფიდენციალურობის პრობლემები შეამციროს, ერთად მხოლოდ მოდელი წონა ან gradients კომუნიკაცია კლიენტების საიტის და federated სერვერზე , FL უკვე გთავაზობთ უახლესი მოთხოვნებს სამედიცინო სურათების გამოყენებით. , , , COVID-19 ანალიზი , , მაგალითად, SARS-COV-2- ზე ინფექციონირებული პაციენტების მკვლელობის პროგნოზი მოდელი გამოიყენებს კლინიკური თვისებები, მიუხედავად იმისა, რომ მოცულობა და მოცულობა შეზღუდულია. . 38 39 40 41 42 43 8 44 45 46 ჩვენი მიზანი იყო, რომ განვითარდეს ძლიერი, გენერირებული მოდელი, რომელიც შეიძლება დაეხმაროს ტრიალებს პაციენტებს. ჩვენ ვფიქრობთ, რომ CDS მოდელი შეუძლია წარმატებით Federated, იმიტომ, რომ მას გამოიყენება მონაცემთა ინტენსიები, რომლებიც საკმაოდ პოპულარული კლინიკური პრაქტიკაში და რომლებიც არ არის ძალიან დამოკიდებულებული ოპერატორების დამოკიდებულების შეფასების პაციენტების მდგომარეობის (გალითად, კლინიკური შეზღუდვები ან გამოქვეყნებული სიმპტომები). გარდა ამისა, ლაბორატორიული შედეგები, ძირითადი სიმპტომები, სურათის კვლევა და ზოგადად მოპოვებული დომოგრაფიული (მაგ. ასაკი), გამოიყენება. ასე რომ, ჩვენ ჩვენ ვფიქრობთ, რომ EXAM- ის შესრულება უკეთესია, ვიდრე ადგილობრივი მოდელები, და უკეთესი გაცნობისა ჯანმრთელობის სისტემებში. შედეგები Exam მოდელი არქიტექტურა EXAM მოდელი ეფუძნება CDS მოდულზე, რომელიც გამოქვეყნდა ზედაპირზე საერთოდ, 20 ფუნქციები (19 EMR და ერთი CXR) გამოიყენება როგორც ინტენსიური მოდელი. შედეგები (მაგ. "გოლადის ფაქტი") ბეჭდვა დააკმაყოფილია პაციენტების ნავთობის მკურნალობის მიხედვით 24 და 72 საათის შემდეგ, რაც პირველი დატვირთვა დატვირთვა (ED). დეტალური სია მოთხოვნილი ფუნქციები და შედეგები იხილება მაგიდა. . 27 1 პაციენტების შედეგების მატჩები 0, 0,25, 0,50 და 0,75 იყო, დამოკიდებულია ყველაზე ინტენსიური ნავთობის მკურნალობა პაციენტს მიიღო პროგნოზი ფანჯარაში. ნავთობის მკურნალობა კატეგორიები იყო, შესაბამისად, კამერა საჰაერო (RA), დაბალი წნევის ნავთობის ნავთობის (LFO), მაღალი წნევის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნავთობის ნ EMR ფუნქციებისთვის მხოლოდ პირველი ღირებულებები გამოიყენება ED- ში და მონაცემთა წინასწარ დამუშავება მოიცავს deidentification, დაკარგული ღირებულება imputation და normalization to zero-mean და unit variance. For CXR images, მხოლოდ პირველი მიღებული ED- ში გამოიყენება. მას შემდეგ, რაც მოდელი შეესაბამება მონაცემები ორივე EMR და CXR ფუნქციები, გამოყენებით 34 ფართო convolutional neural ქსელის (ResNet34) ექსტრაქტი ფუნქციები CXR და Deep & Cross ქსელის შეესაბამება ფუნქციები ერთად EMR ფუნქციები (და უფრო გაფართოებული დეტალები, იხილეთ ). მოდელის გამოცემა არის რისკის სოკუმენტი, რომელიც ცნობილია როგორც EXAM სოკუმენტი, რომელიც 0-1 სფეროში მუდმივი ღირებულება თითოეული 24 და 72 საათის პროგნოზიზე, რომელიც შეესაბამება ზედაპირზე აღწერილი label. მეთოდები Federating მოდელი EXAM მოდელი ტრენინგი იყო გამოყენებით 16148 შემთხვევაში, რაც არ არის მხოლოდ პირველი FL მოდელი COVID-19 არამედ ძალიან დიდი და მრავალკინენტური განვითარების პროექტი კლინიკურად მნიშვნელოვანი AI (მაგ. ). მონაცემები საიტები არ იყო შეესაბამება ადრე ექსპლუატაცია და, იმიტომ, რეალურ ცხოვრებაში კლინიკური კომპიუტერული სიტუაციები, მკაცრი შეესაბამება მონაცემთა ინტენსიები არ იყო დამუშავებული ავტორი (მაგ. ) და 1A და B 1C და D მსოფლიო რუკა, რომელიც აჩვენებს 20 სხვადასხვა კლიენტების საიტები, რომლებიც contribute to the EXAM study. , კვლევების რაოდენობა თითოეული ინსტიტუტის ან საიტზე (კლიენტს 1 აჩვენებს საიტზე, რომელიც უზარმაზარი კვლევების რაოდენობა აჩვენებს). Chest X-ray ინტენსიის გაზიარება თითოეული კლიენტების ადგილას. , პაციენტების ასაკი თითოეული კლიენტული საიტზე, რომელიც აჩვენებს მინიმალური და მაქსიმალური ასაკი (თერკკები), საშუალო ასაკი (თერკულები) და სტანდარტული ცვლილება (თერკულები). თითოეული კლიენტული საიტზე ნიმუშების რაოდენობა აჩვენებს დამატებითი ტაბლეში . a b c d 1 ჩვენ შედარებით ადგილობრივი ტრენინგი მოდელები გლობალური FL მოდელი თითოეული კლიენტების ტესტი მონაცემები. ტრენინგი მოდელი მეშვეობით FL შეესაბამება მნიშვნელოვანი შესრულების გაუმჯობესება ( « 1 × 10–3, Wilcoxon-ის შეტყობინებული ტესტი) 16% (გითვალისწინებული საშუალო AUC, როდესაც მოდელი მუშაობს respective ადგილობრივი ტესტი კომპლექტი: 0.795 to 0.920, ან 12.5 პროცენტული პერსონალი) (მაგ. ). იგი ასევე გამოწვევა 38% გაუმჯობესება გაფართოება (დაახლებით, როგორც განკუთვნილია საშუალო AUC, როდესაც მოდელი მუშაობს ყველა ტესტი კომპლექტი: from 0.667 to 0.920, ან 25.3 პროცენტული პუნქტები) საუკეთესო გლობალური მოდელი პროგნოზი 24 საათის ნაქსოვი მკურნალობის შედარებით მოდელები სასწავლო მხოლოდ საიტზე საკუთარი მონაცემები (მაგ. ) 72 საათის ნაქსოვი მკურნალობის პროგნოზი შედეგებისთვის, საუკეთესო გლობალური მოდელის სასწავლო ეფექტურობის გაუმჯობესება დაახლოებით 18% შედარებით ადგილობრივ სასწავლო მოდელები, ხოლო გლობალური მოდელის გაუმჯობესება დაახლოებით 34% (დაწვრილებული მონაცემები Fig. ). ჩვენი შედეგების სტაბილურობა შეამოწმდა, რომ 3 ადგილობრივი და FL ტრენინგი განთავსება განსხვავებული randomized მონაცემთა splits. P 2A 2b 1 ყველა კლიენტების ტესტიში ეფექტურობა განკუთვნილია 24 საათის ნავთობის მკურნალობის პროგნოზით მოდულებს, რომლებიც მხოლოდ ადგილობრივი მონაცემებით (გონტალური) შეესაბამება საუკეთესო გლობალური მოდულთან ერთად, რომელიც ხელმისაწვდომია სერვერზე (FL). , გენერირება (მომცველი ეფექტურობა სხვა საიტების ტესტირების მონაცემების შესახებ, როგორც საშუალო AUC) კლიენტების მონაცემთა კომპლექტი ზომაზე (მომცველი არ არის) ფუნქციონირება. ლურჯი ჰორიზონტალური ხაზი განიხილავს საუკეთესო გლობალური მოდელის გენერირება. 18 კლიენტების ეფექტურობა 20 კლიენტების შესახებ გამოჩნდა, რადგან კლიენტში 12 მხოლოდ 72 საათის განმავლობაში ეფექტურობა (დაწვრილებული მონაცემები). ) და კლიენტს 14 იყო შემთხვევაში მხოლოდ RA მკურნალობა, ასე რომ შეფასების მეტრიკები (შ. AUC) არ გამოიყენება ნებისმიერ ამ შემთხვევაში ( ). მონაცემები კლიენტს 14 ასევე არ იყო შეუზღუდავი კომპიუტერის საშუალო გაფართოების ადგილობრივი მოდელები. a b 1 მეთოდები მთავარი მოდელები, რომლებიც ტრენინგიში შეესაბამებული kohorts (გალითად, ძირითადად მარტივი შემთხვევაში COVID-19) იპოვდა FL პრაქტიკაში, ძირითადად გაუმჯობესებული პროგნოზი საშუალო AUC შესრულების კატეგორიები მხოლოდ რამდენიმე შემთხვევაში. ეს იყო იმიტომ, კლიენტების საიტი 16 (ბაჟო მონაცემთა კომპლექტი), ყველაზე პაციენტები გამოცდილი მინიმალური სიჩქარით და მხოლოდ რამდენიმე სიჩქარით მოვლენები. FL მოდელი შეესაბამება მაღალი ნამდვილად პოპულარული სიჩქარით ორი პოპულარული (ხმაგი) მოვლენები და იმიტომ დაბალი ცუდი პოპულარული სიჩქარით შედარებით ადგილობრივი მოდელი, ორი გაფართოებული მონაცემთა Fig. უფრო მნიშვნელოვანია, რომ FL მოდელის გენერირება პოტენციურად გაზრდა ადგილობრივ სასწავლო მოდულზე. 3A 2 , ROC კლიენტული საიტი 16, უჯრედული მონაცემები და ძირითადად მშრალი შემთხვევაში. კლიენტების საიტის ადგილობრივი მოდელის ROC 12 (კონტაქტო მცირე მონაცემთა კომპლექტი), ძირითადი ROC მოდელები, რომლებიც დიდი მონაცემთა კომპლექტია, რომელიც შეესაბამება ბოსტონი ტერიტორიაზე (1, 4, 5, 6, 8) და ROC საუკეთესო გლობალური მოდელის პროგნოზიში 72 საათის ნაქსოვი მკურნალობის განსხვავებული სფეროებში EXAM სფეროებში (კონტაქტო ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზემოთ ზ Pos და neg განიხილოს რაოდენობა პოტენციური და უარყოფითი შემთხვევაში, შესაბამისად, როგორც განკუთვნილია ამ ზომის EXAM scores. a b t კლიენტების საიტებზე, რომლებიც შედარებით მცირე მონაცემთა კომპლექტი არიან, საუკეთესო FL მოდელი უპირატესობა არ არის მხოლოდ ადგილობრივი მოდელი, არამედ მათთვის, რომლებიც დიდი მონაცემთა კომპლექტიზე შეესაბამება ბოსტონის რეგიონში (მაგ. ) და 3b გლობალური მოდელი შესრულდა კარგად პროგნოზირების საჰაერო საჭიროებების 24/72 საათის განმავლობაში კუნძულებს, რომლებიც ორივე COVID პოპულარული და უარყოფითი (დაწვრილებული მონაცემები Fig. ) და 3 კონფიგურაცია Independent Sites მას შემდეგ, რაც პირველი სასწავლო, EXAM შემდეგ ტესტირება იყო სამი დამოუკიდებელი validation ადგილებში: Cooley Dickinson Hospitals (CDH), Martha’s Vineyard Hospitals (MVH) და Nantucket Cottage Hospitals (NCH), ყველა Massachusetts, USA. მოდელი არ იყო re-trained ამ ადგილებში და იგი გამოიყენება მხოლოდ validation მიზნით. კოორტი ზომა და მოდელი მოწყობილობების შედეგები შეესაბამება Table , და ROC curves და confusion matrices ყველაზე დიდი მონაცემთა კომპლექტი (და CDH) ჩვენება Fig. ოპერაციული პოსტი განკუთვნილია არმქანიკური სინათლის და მექანიკური სინათლის (MV) მკურნალობის (ან სიკვდილის) განსხვავებით. FL- ის გლობალური ტრენინგი მოდელი, EXAM, მიიღო საშუალო AUC 0.944 და 0.924 24- ის და 72- ის პროგნოზაციის სამუშაოებისთვის. ), რომელიც გაიზარდა საშუალო შესრულების ადგილებში, რომლებიც გამოიყენება სასწავლო EXAM. პროგნოზი MV მკურნალობის (ან სიკვდილის) 24 საათის განმავლობაში, EXAM მიღებული სქესობრივი 0.950 და სქესობრივი 0.882 at CDH, და სქესობრივი 1000 სქესობრივი 0.934 at MVH. NCH არ იყო შემთხვევაში MV / სიკვდილის 24 საათის განმავლობაში. დაკავშირებით 72 საათის MV პროგნოზი, EXAM მიღებული სქესობრივი 0.929 და სქესობრივი 0.880 at CDH, სქესობრივი 1000 და სქესობრივი 0.976 at MVH და სქესობრივი 1000 და სქესობრივი 0.929 at NCH. 2 4 2 , , Performance (ROC) (top) და confusion matrices (bottom) EXAM FL მოდელის CDH მონაცემთა კომპლექტი, რათა პროგნოზი ნავთობის მოთხოვნების 24 საათის განმავლობაში ( ) და 72 საათის განმავლობაში ( ). ROC ორი განსხვავებული cutoff ღირებულება ( ) ექსპერიმენტის რისკების სერთიფიკატები აჩვენებენ. a b a b t CDH- ში MV- ს 72 საათის განმავლობაში, EXAM- ს 7.1%-ზე დაბალი ფსიქიკური უარყოფითი სიჩქარით იყო. რეპუტატული ცუდი შემთხვევაში გამოქვეყნდა Extended Data Fig. CDH- ის ორი ცუდი უარყოფითი მოვლენები, სადაც ერთ-ერთი მოვლენები შეიცავს EMR- ის მონაცემთა უარყოფითი ფუნქციებს, ხოლო მეორე მოიცავს CXR- ს, რომელიც შეიცავს მოვლენას და ზოგიერთი არ შეიცავს EMR- ის ფუნქციებს. 4 კონფიდენციალურობის განსხვავება ძირითადი მოტივაცია ჯანმრთელობის ინსტიტუტები გამოყენების FL არის შენარჩუნება უსაფრთხოების და კონფიდენციალურობის მათი მონაცემები, ისევე როგორც შეესაბამება მონაცემთა კონფიდენციალურობის მოთხოვნებს. ან კი ტრენინგი სურათების reconstruction მოდელი gradients themselves ამ რისკების კონცენტრაციისთვის, უსაფრთხოების გაუმჯობესების მოთხოვნები გამოიყენება, რათა შეამციროს რისკების შეამციროს მონაცემთა "სხურვის" შემთხვევაში საიტზე სერვერზე კომუნიკაციის დროს. ჩვენ ექსპერიმენტი ტექნოლოგიები, რათა თავიდან ავიცილოთ შეკუმშვის FL მონაცემები, და დაამატა უსაფრთხოების ფუნქცია, რომელიც ჩვენ ვფიქრობ, რომ შეიძლება მოხმაროთ მეტი ინსტიტუტები გამოიყენოთ FL. ასე რომ, ჩვენ შეამოწმეთ წინა შედეგები, რომელიც აჩვენებს, რომ ნაწილური წონის გაზიარება, და სხვა განსხვავებული კონფიდენციალურობის ტექნოლოგიები, შეიძლება წარმატებით გამოყენებულ იქნას FL. სავარაუდოდ, სავარაუდოდ, იმ შემთხვევაში, თუ გულისხმობთ, რომ თქვენ არ გაქვთ საკმარისობა, თქვენ არ გაქვთ საკმარისობა, რომ თქვენ არ გაქვთ საკმარისობა. , , , ჩვენ აჩვენა, რომ მოდელები შეუძლია შედარებით შესრულება, მაშინაც კი, როდესაც მხოლოდ 25% წონის განახლებების გაუზიარება (Extended Data Fig. ) და 47 48 49 50 50 51 52 5 კონტაქტი ამ კვლევას აქვს დიდი, რეალურ სამყაროში ჯანმრთელობის FL კვლევას საიტების რაოდენობის და გამოყენებული მონაცემთა კავშირის რაოდენობისგან. ჩვენ ვფიქრობთ, რომ ეს უზრუნველყოფს ძლიერი კონცეფცია FL- ის გამოყენების შესაძლებლობების საშუალებას, რათა სწრაფად და თანამშრომლად განვითარდეს საჭირო AI- ის მოდელები ჯანმრთელობში. ჩვენი კვლევას მოიცავს მრავალფეროვანი საიტები ოთხი კუნთებში და განსხვავებული რეგულარული ორგანიზაციების მხარდაჭერით, და ამდენად მოთხოვნებს იძლევა, რომ სხვადასხვა რეგულარული ბაზარებს სწრაფად უზრუნველყოს. გლობალური FL- ის მოდელი, EXAM, შეიმუშავებულია უფრო ძლიერი და უკეთესი შედეგები თითოეული საიტ კლიენტების საიტზე, რომელსაც აქვს საკმაოდ მცირე მონაცემთა კომპლექტი, შეიძლება გამოყენებულ იქნას ორი ტიპიური მეთოდები, რათა შეესაბამება სასარგებლო მოდელი: ერთ-ერთი არის ადგილობრივი ტრენინგი საკუთარი მონაცემებით, მეორე არის მოდელი გამოყენება, რომელიც ტრენინგი უფრო დიდი მონაცემთა კომპლექტი. კლიენტებისთვის მცირე მონაცემთა კომპლექტი, ეს თითქმის არ შეიძლება იყოს შესაძლებელი, რათა შექმნათ შესანიშნავი Deep Learning მოდელი მხოლოდ მათი ადგილობრივი მონაცემების გამოყენებით. შედეგი, რომ ეს ორი მოდელები შეესაბამება ყველა სამი პროგნოზიის საქმიანობას გლობალური FL მოდელი, გთავაზობთ, რომ კლიენტების საიტებზე, რომლებიც მოიცავს პატარა მონაცემთა კომპლექტი, რომელიც გამოწვეულია FL თანამშრომ . 46 კონფიდენციალურობის შედეგები დადასტურა, რომ გლობალური მოდელი ძლიერია, რომელიც მხარს უჭერს ჩვენი ჰოპეზიას, რომ FL-მუშავებული მოდელები შეიძლება გაფართოებული იყოს ჯანმრთელობის სისტემებში. ისინი უზრუნველყოფს კონფიდენციალურობის შემთხვევაში პროგნოზიური ალგორტატების გამოყენებისთვის COVID-19 პაციენტების მკურნალობისთვის, და FL- ის გამოყენებისთვის მოდელი შექმნა და ტესტირებაში. ამ კვლევის მონაწილეობით კლიენტების საიტები მიიღეს ხელმისაწვდომობა EXAM- ს, რომელიც შემდგომი კონფიდენციალურობის მიღების წინასწარში ან კლინიკური მკურნალობის მომავალში. გეგმები განკუთვნილია EXAM- ის კონფიდენციალუ , ისევე როგორც სხვადასხვა ადგილებში, რომლებიც არ იყო ნაწილი EXAM სასწავლო. 53 მეტი 200 პროგნოზი მოდელები, რათა მხარს უჭერს გადაწყვეტილებების მიღება COVID-19- ის პაციენტებში COVID-19- ის დიაპაზონიზე ან სიკვდილის პროგნოზიზე განკუთვნილია. ჩვენ ასევე გამოიყენე შემთხვევაში, სადაც არ არის ცნობილი SARS-COV-2 სტატისტიკა, ასე რომ მოდელი შეუძლიათ გთავაზობთ სამედიცინო მიმოხილვა, სანამ მიმოხილვა PCR- ის შედეგს რეიტინგით (RT-PCR), რაც მას გამოიყენება რეალურ ცხოვრებაში კლინიკური კონფიგურაციაში. მოდელი სურათების მიმოხილვა გამოიყენება საერთო პრაქტიკაში, განსხვავებით მოდელები, რომლებიც გამოიყენებენ კუნთების კომპიუტერული ტომგოგრაფიას, რომელიც არ არის კონცენტრალური დიაპაზონის მოდელი. მოდელი დიზაინი შეზღუდულია უნიკალური პროგნოზორებით, 19 Patient cohort identification და მონაცემთა ჰორმონიზაცია არ არის ახალი საკითხები კვლევითი და მონაცემთა მეცნიერება , მაგრამ უფრო რთული, როდესაც გამოიყენება FL, იმიტომ, რომ არ არის უახლესი სხვა საიტის მონაცემთა კომპლექტი. კლინიკური ინფორმაციის სისტემების გაუმჯობესება საჭიროა მონაცემთა გაუმჯობესების გაუმჯობესებლად, რაც FL- ში მონაწილეობის საიტის ქსელის უკეთესი გაუმჯობესება. ეს, კავშირი ჰიპერპარამეტრის ინჟინერიზაციისგან, საშუალებას იძლევა ალგორტებს უფრო ეფექტურად "გოვდეთ" უფრო დიდი მონაცემთა კომპლექტიდან და მოდელის პარამეტრები კონკრეტული საიტის შემდგომი პერსონალიზაციისთვის - მაგალითად, ამ საიტის შემდგომი გაუმჯობესება. სისტემა, რომელიც საშუალებას გაძლევთ შეუზღუდავი, თითქმის რეალურ დროში მოდელის გამოხატვა და შედეგების დამუშავება, ასევე ხელმისაწვდომია და "კრიკს" მოწყობილობს მოდელის განახლება. 54 39 იმიტომ, რომ მონაცემები არ იყო ცენტრიზებული, ისინი არ არის ადვილად ხელმისაწვდომი. იმის გამო, რომ, ნებისმიერი მომავალში ანალიზი შედეგები, გარდა ამისა, რაც გააკეთა და მოკლე, არის შეზღუდული. როგორც სხვა მანქანა სასწავლო მოდელები, EXAM შეზღუდულია ხარისხის ტრენინგი მონაცემები. ინსტიტუტები, რომლებიც დაინტერესებული ამ ალგორტასში კლინიკური ჯანმრთელობის უნდა განიხილოთ პოტენციური ნაბიჯები ტრენინგიში. მაგალითად, ბეჭდვა, რომელიც გამოიყენება, როგორც ground truth ტრენინგი EXAM მოდელი გამოწვეულია 24- და 72 საათის ნავთობის მოხმარება პაციენტში; ეს მიუთითება, რომ ნავთობის მიწოდება პაციენტში შეესაბამება ნავთობის მოთხოვნებს. თუმცა, დასაწყისში COVID-19 პანდიმზის, ბევრი პაციენტებს უზრუნველყოფა მაღალი ნავთობის ნავთობის ნავთობის პროფილიკურად, მიუხედავად იმისა, მას შემდეგ, რაც ჩვენი მონაცემების ხელმისაწვდომობა შეზღუდული იყო, ჩვენ არ გვაქვს საკმარისი ხელმისაწვდომი ინფორმაცია, რათა წარმოადგინოთ დეტალური სტატისტიკა შეშფოთების მიზეზების შესახებ, პოსტ ჰოკში, ყველაზე საიტებზე. თუმცა, ჩვენ შეამოწმოთ შეშფოთების შემთხვევაში ყველაზე დიდი დამოუკიდებელი ტესტირების საიტზე, CDH, და შეგვიძლია წარმოადგინოთ ჰოპეზიები, რომ ჩვენ შეგვიძლია ტესტირება მომავალში. მაღალი ეფექტურობის საიტებზე, φαίνεται, რომ ყველაზე შეშფოთების შემთხვევაში ერთ-ერთი ორი კატეგორიაში: (1) დაბალი ხარისხის input მონაცემები - მაგალითად, დაკარგული მონაცემები ან bewegingsartifact in CXR; ან (2) out-of-distribution მომავალში, ჩვენ ასევე გსურთ შეამოწმოთ პოპულარული დრიფის პოტენციას, რომელიც განსხვავდება დაავადების პროგრესის სხვადასხვა ფაზებში. ჩვენ ვფიქრობ, რომ, 20 ადგილებში განსხვავებული ფართობი, ეს რისკი შეიძლება იყოს შეამციროს. ერთი თვისება, რომელიც გაუმჯობესებს ამ სახის ფართო ფართო თანამშრომლობას, არის შესაძლებლობა პროგნოზოთ თითოეული კლიენტების საიტის შემუშავება გლობალური FL მოდელის გაუმჯობესებლად. ეს დაგეხმარებათ კლიენტების საიტის აირჩიონ და მონაცემთა მოპოვების და შეტყობინების ეფექტების უპირატესობა. ეს არის განსაკუთრებით მნიშვნელოვანია, იმიტომ, რომ მაღალი ღირებულება და რთული ლოგისტიკა ამ ფართო კონუსტრიის ეფექტებს, და ეს საშუალებას გაძლევთ ამ ეფექტებს მოპოვოს მრავალფეროვნება, ვიდრე მონაცემთა ნიმუში. მომავალში მიზნები შეიძლება მოიცავს ავტომატური Hyperparameter Search Neural არქიტექტურა Search და სხვა ავტომატური მანქანა კვლევები განკუთვნილია, რომ უფრო ეფექტურად იპოვოთ თითოეული კლიენტების საიტზე ოპტიმიზებული სასწავლო პარამეტრები. 55 56 57 პოპულარული პრობლემები Batch Normalization (BN) in FL ჩვენ ვფიქრობ, რომ ჩვენი ძირითადი მოდელი სურათის ფუნქციონირების ექსტრაქციისათვის. მომავალში მუშაობა შეიძლება შეამოწმოთ სხვადასხვა ტიპის სტანდარტაციის ტექნიკები, რათა უზრუნველყოს AI მოდულების სასწავლო FL- ში უფრო ეფექტურად, როდესაც კლიენტების მონაცემები არ არის დამოუკიდებელი და იგივე გაფართოებული. 58 49 უახლესი სამუშაოები კონფიდენციალურობის თავმჯდომარეზე FL- ში შეხვდა შეუზღუდავი შესახებ მონაცემთა გაქირავება მოდულების სასწავლო დროს ამავე დროს, უსაფრთხოების ალგორტიზები ჯერ კიდევ არ აღწერილი და მრავალფეროვანი ფაქტორები შეუზღუდავს. მიუხედავად იმისა, რომ განსხვავებული privacy ალგორტიზები , , უკეთესი დაცვა, ისინი შეიძლება შეუზღუდავი მოდელის შესრულება. encryption algorithms, როგორიცაა homomorphic encryption კონფიდენციალურობის ზომის ზომის და ტრენინგის დროის მნიშვნელოვნად ზრდის, მაგრამ კონფიდენციალურობის ზომის ზომის ზომის და ტრენინგის დროის ზრდის. კონფიდენციალურობის ზომის ზომის ზომის ზომის და ტრენინგის დროის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის ზომის , , . 59 36 48 49 60 36 48 49 მას შემდეგ, რაც შემდგომი კონფიგურაცია, ჩვენ ვფიქრობთ, რომ EXAM მოდელი გამოიყენება ED კონფიგურაციაში, როგორც გზა, რათა შეფასოთ რისკებს ორივე პაციენტის და პოპულარული დონეზე, და აძლევს კლინიკატორებს დამატებითი ნაბიჯს, როდესაც კლინიკატორები ხშირად რთული კითხვებს პაციენტებს. ჩვენ ასევე ვფიქრობთ, რომ გამოიყენოთ მოდელი უფრო სქესობრივი პოპულარული დონეზე მეტრიკებით, რათა დააკმაყოფილოს რესურსები რეგიონებში, საჰაერო და დეპარტამენტების შორის. ჩვენ ვფიქრობთ, რომ მსგავსი FL ეფექტები შეუძლიათ მონაცემთა silos და საშუალებას გაძლევთ უფრო სწრაფად განვითარებას მეთოდები Ethics მიმოხილვა მას შემდეგ, რაც კლინიკური კლინიკური პრაქტიკა შეიცვალა, კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კლინიკური კ MI-CLAIM- ის მიმოხილვა კლინიკური AI მოდულების გამოქვეყნებლად (დაწვრილებით) ) 2 სტუდენტები Setting კვლევა შეიცავს მონაცემები 20 ინსტიტუტებს (ფგ. ): MGB, MGH, Brigham and Women’s Hospital, Newton-Wellesley Hospital, North Shore Medical Center და Faulkner Hospital; Children’s National Hospital in Washington, DC; NIHR Cambridge Biomedical Research Centre; The Self-Defense Forces Central Hospital in Tokyo; National Taiwan University MeDA Lab და MAHC და Taiwan National Health Insurance Administration; Tri-Service General Hospital in Taiwan; Kyungpook National University Hospital in South Korea; Faculty of Medicine, Chulalongkorn University in Thailand; Diagnosticos da America SA in Brazil; University of California, San Francisco; VA San Diego; University of Toronto; National Institutes of Health in Bethesda, Maryland; University of Wisconsin-Madison School of Medicine and Public Health; Memorial Sloan Kettering Cancer Center in New York; და Mount Sinai Health , , მონაცემები სამი დამოუკიდებელი საიტები გამოიყენება დამოუკიდებელი validation: CDH, MVH და NCH, ყველა Massachusetts, USA. ეს სამი საიტები შეიცავს პაციენტების პოპულარული თვისებები განსხვავდება სასწავლო საიტები. მონაცემები გამოიყენება algorithm validation შედგება პაციენტები აღიარებული ED ამ საიტები შორის მარტი 2020 და თებერვალი 2021, და რომ შეესაბამება იგივე შეესაბამება მოთხოვნები მონაცემები გამოიყენება სასწავლო FL მოდელი. 1A 61 62 63 მონაცემთა კოლექცია 20 კლიენტების საიტები შეესაბამება 16148 კლიენტებს (მაგ. პოტენციური და უარყოფითი) მოდულების სასწავლო, კონფიდენციალურობის და ტესტირების მიზნით (გ. სამედიცინო მონაცემები ხელმისაწვდომია პაციენტებს, რომლებიც შეესაბამება სტუდენტებს. კლიენტების საიტები მძღოლად შეიცავს ყველა COVID-ეპტიმიზირებული კლიენტებს პანადის დასაწყისში თებერვალი 2019 წელს და სანამ დაწყებულია ადგილობრივი სასწავლო EXAM- ის კვლევისთვის. ყველა ადგილობრივი სასწავლო დაიწყო 30 სექტემბერი 2020 წელს. საიტები ასევე შეიცავს სხვა კლიენტებს, რომელთა RT-PCR ტესტირების შედეგები უარყოფითია. რადგან ყველაზე საიტებში SARS-COV-2-ეპტიმიზირებული კლიენტებს შეიცავს უფრო მეტი, ვიდრე -ეპტიმიზირებული კლიენტებს, ჩვენ შეზღუდვათ უარყოფითი 1B CXR და საჭირო მონაცემთა ინტენსიები, რომლებიც მიიღეს პაციენტის სამედიცინო დოკუმენტში. თითოეული კლიენტული საიტის მონაცემთა კომპოზიტის კოორტი ზომაის გაზიანება განიხილება Fig. CXR- ის სურათის ინტენსივობის (პექსილის ღირებულება) გაფართოება და პორტატები პოტენციურად განსხვავებულა საიტებზე, რადგან სხვადასხვა პაციენტის და საიტზე კონკრეტული ფაქტორები, როგორიცაა სხვადასხვა მოწყობილობების მწარმოებლები და სურათების პროტოკები, როგორც ჩანს Fig. პაციენტების ასაკი და EMR- ის ფუნქციონირება ადგილებში ძალიან განსხვავებული იყო, როგორც გამოჩნდა, გლობალურად გაფართოებული სასტუმროების შორის განსხვავებული დომოგრაფიის გამო (Extended Data Fig. ) და 1B 1C და D 6 Patient Inclusion სტრატეგიები პაციენტების მოცულობის კრეტიფიკატები იყო: (1) პაციენტს შეესაბამება სამედიცინო ED ან იგივე; (2) პაციენტს RT-PCR ტესტი გაკეთდა ნებისმიერ დროს ED-ს შეესაბამება და სამედიცინო გამოხატვა შორის; (3) პაციენტს შეესაბამება CXR in ED; და (4) პაციენტს შეესაბამება შეესაბამება შეესაბამება მინიმუმ 5 EMR ღირებულება, რომელიც დეტალურია ტაბლეში. , ყველა მიღებული ED, და დაკავშირებული შედეგები დატვირთული საავადმყოფილების დროს. შენიშვნა, CXR, ლაბორატორიული შედეგები და vitalals გამოიყენება იყო პირველი ხელმისაწვდომია დატვირთვა დროს მოგზაურობა ED. მოდელი არ შეიცავს ნებისმიერი CXR, ლაბორატორიული შედეგები ან vitalals მიღებული შემდეგ დატვირთვა ED. 1 მოდელი input შედარებით, 21 EMR თვისებები გამოიყენება, როგორც input მოდელი. შედეგები (მაგ. ground truth) label შედგება პაციენტების მოთხოვნების მიხედვით 24-ზე და 72 საათის შემდეგ დასაწყისში აღდგენა ED. დეტალური სია მოთხოვნილი EMR თვისებები და შედეგები შეიძლება ნახოთ ტაბლეში . 1 სხვადასხვა კლიენტების საიტებზე სხვადასხვა მოწყობილობების გამოყენებით გაქირავებული ქსელის გაქირავება გამოჩნდა გაფართოებული მონაცემთა ფურცში. , რომელიც დეტალებს მოწყობილობების გამოყენებას ED- ში და 24- და 72 საათის შემდეგ. განსხვავება მონაცემთა კომპონენტების გაფართოების შორის ყველაზე დიდი და მცირე კლიენტების საიტები იხილება Extended Data Fig. . 7 8 COVID-19- ის პოპულარული შემთხვევაში რაოდენობა, რაც ერთჯერადი RT-PCR ტესტიით შეამოწმებულია ნებისმიერ დროში ED- ს მიწოდების და სასტუმროში გათავისუფლების შორის, მოიცავს დამატებითი ტაბლეში. თითოეული კლიენტული საიტი მოითხოვს, რომ გაზიანებული გაზიანება მისი მონაცემთა კომპლექტი სამი ნაწილები: 70% ტრენინგი, 10% გაზიანება და 20% ტესტირება. ორივე 24- და 72 საათის შედეგების პროგნოზი მოდელები, გაზიანებული გაზიანება თითოეული სამი რეპუტაცია ადგილობრივი და FL ტრენინგი და შეფასების ექსპერიმენტები შეიქმნა დამოუკიდებლად. 1 Exam მოდელის განვითარება არსებობს ფართო განსხვავება კლინიკური კურსი პაციენტებს, რომლებიც შეესაბამება კუნძულში სიმპტომები COVID-19, მათ შორის ზოგიერთი გამოცდილი სწრაფი შეზღუდვა კუნძულ ფუნქცია, რომელიც მოითხოვს განსხვავებული ინვესტიციები, რათა თავიდან ავიცილოთ ან შეამციროს hipoxemia. , ძირითადი გადაწყვეტილება, რომელიც გააკეთა პერსონალი შეფასების დროს დასაწყისში, ან ED- ში, არის, თუ პერსონალი შეიძლება მოითხოვოს უფრო ინვესტიციური ან რესურსების შეუზღუდავი კონცენტრაციები ან ინვესტიციები (მაგ. MV ან monoclonal ანტიბოტები), და ამიტომ უნდა მიიღოს რთული მაგრამ ეფექტური მკურნალობა, მკურნალობა, რომელიც მოკლე რისკის-მაგეტიკის თანხა გვერდითი ეფექტების გამო, ან უფრო მაღალი დონეის მკურნალობა, როგორიცაა ინტენსიტიზაციის მოწყობილობა. შედარებით, პაციენტს, რომელიც დაბალი რისკით მოითხოვს ინვესტიციური ნავთობის მკურნალობის საჭიროებას, შეიძლება დააყენოთ ნაკლებად ინტენსიური მკურნალობის გარემოში, როგორიცაა რეგულარული სალონში, ან თუნდაც გათავისუფლებული ED-დან, რათა გაგრძელდეს თვითმართველობის მონიტორინგი სახლში. EXAM შეიქმნა, რათა დაეხმაროს ასეთი პაციენტებს. 62 63 64 65 ამჟამად, მოდელი არ არის რეგულარული ორგანიზაცია და იგი უნდა გამოიყენოთ მხოლოდ კვლევის მიზნით. ექსპერიმენტი EXAM უკვე სასწავლოლი გამოყენებით FL; იგი აწარმოებს Risk Score (თით EXAM Score) მსგავსი CORISK (დაწვრილებით გაფართოებული მონაცემები Fig. ) და შეიძლება გამოყენებულ იქნას იგივე გზა კლასიკური პაციენტებს. იგი შეესაბამება პაციენტების საწვავის მხარდაჭერა მოთხოვნებს ორი ფანჯარა - 24 და 72 საათის განმავლობაში - შემდეგ პირველი შეტყობინება ED. Extended Data Fig. განიხილება, თუ როგორ შეიძლება CORISK და EXAM scores გამოყენებულ იქნას პაციენტების სრორაციისთვის. 27 9A 9b ტკივილი X-ray სურათები წინასწარ დამუშავებულია, რათა აირჩიოთ წინასწარ პოზიცია სურათები და შეამციროს მხარეს სურათები, და შემდეგ გაფართოებული რეზოლუცია 224 × 224. როგორც ჩანს Extended Data Fig. , მოდელი შეესაბამება ინფორმაცია ორივე EMR და CXR ფუნქციები (დაფუძნებული მორგებული ResNet34 სფეროტური ყურადღება CheXpert მონაცემთა კომპლექტი) Deep & Cross ქსელი ამ სხვადასხვა მონაცემთა ტიპის convergence, 512-dimensional ფუნქციონირების ვიქტორი გამოჩნდა თითოეული CXR სურათის გამოყენებით წინასწარ ტრენინგი ResNet34, სფეროტური ყურადღება, შემდეგ შეკუთვნილია EMR ფუნქციონირება, როგორც input for the Deep & Cross ქსელის. საბოლოო გამოცემა იყო მუდმივი ღირებულება ზომის 0–1 ორივე 24- და 72 საათის პროგნოზები, რომელიც შეესაბამება აღწერილი label, როგორც ჩანს Extended Data Fig. ჩვენ გამოიყენეთ cross-entropy როგორც დაკარგვის ფუნქცია და “Adam” როგორც ოპტიმიზერი. მოდელი განახლდა Tensorflow NVIDIA Clara Train SDK- ის გამოყენება ამითი AUC კლასიკური საქმიანობის (≥LFO, ≥HFO/NIV ან ≥MV) განკუთვნილია და გამოიყენება, როგორც საბოლოო შეფასების მეტრიკები, ნორმალურიზაციის ერთად ნედლეულის საშუალო და ერთეულების განსხვავება. CXR სურათები წინასწარ დამუშავებულია, რათა აირჩიოთ სწორი სერია და შეამციროს მხარეს ნახვა სურათები, და შემდეგ შეამციროს რეზოლუცია 224 × 224 (Ref. ) და 9A 66 67 68 9b 69 70 27 კონფიგურაცია და სტანდარტიზაცია MissForest ალგორტიზმი EMR- ის ფუნქციონების გამოხატვა ადგილობრივი სასწავლო მონაცემთა კომპლექტი მიხედვით. თუ EMR- ის ფუნქციონები კლიენტული საიტის მონაცემთა კომპლექტიდან მთლიანად არ არსებობს, ის ფუნქციონების საშუალო ღირებულება, რომელიც მხოლოდ MGB კლიენტული საიტის მონაცემებს გამოხატულია, გამოიყენება. შემდეგ, EMR- ის ფუნქციონები განკუთვნილია ნედლეული საშუალო და ერთეულების განსხვავება MGB კლიენტული საიტის მონაცემების მიხედვით. 71 EMR-CXR მონაცემთა შეერთების დეტალები Deep & Cross ქსელის გამოყენებით EMR- ის და CXR- ის მონაცემების ფუნქციების ინტერაქტიის მოდელისთვის, Deep & Cross ქსელის არქიტექტურა დაფუძნებული ფართო ფუნქციური დიზაინი გამოიყენება. . ბინარი და კატეგორიული ფუნქციები EMR ინტენსიები, ისევე როგორც 512-dimensional სურათის ფუნქციები CXR- ში, შეიცვალა შეფუთვის და შეფუთვის ფართებში რეალური ღირებულების შეფუთვის ფართო ვიქტორები. შეფუთვის ფართო ვიქტორები ფუნქციონირებულია შეფუთვის ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფ 68 FL დეტალები რა თქმა უნდა, ყველაზე პოპულარული ფორმა FL- ის განახლება Federated Mediating algorithm როგორც McMahan et al. ამ ალგორტიმი შეიძლება განახლდეს კლიენტების სერვერზე კონფიდენციალურობის გამოყენებით, სადაც თითოეული პარტნიორული საიტი კლიენტების სახით მუშაობს. ვფიქრობთ, რომ FL არის მეთოდი, რომელიც მიზნით გლობალური დაკარგულების ფუნქციონირების შეზღუდვის მიზნით იღებს ადგილობრივი დაკარგულების ფუნქციებს, რომლებიც თითოეული საიტიში შეფასებულია. თითოეული კლიენტების საიტის ადგილობრივი დაკარგულების შეზღუდვა, ხოლო კლიენტების საიტის სინქრონიზაცია სინქრონიზაცია სინქრონიზებული კლიენტების საიტის სინქრონიზაციის სერვერზე, კლიენტებს შეუძლია გლობალური დაკარგულების შეზღუდვის მიზნით ) და 72 9c ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ჩვენი ექსპერიმენტში, ჩვენ დააყენებთ Federated Rounds = 200, ერთად ერთი ადგილობრივი სასწავლო ეტაპზე თითო რუკა კლიენტების რაოდენობა, კლიენტების რაოდენობა, , დაახლოებით 20, დამოკიდებულია ქსელის კავშირი კლიენტების ან ხელმისაწვდომი მონაცემები კონკრეტული მიზნით შედეგების დროის (24 ან 72 საათის განმავლობაში). , დამოკიდებულია მონაცემთა კომპლექტი ზომა თითოეული კლიენტი და გამოიყენება თითოეული კლიენტების შეფასების შეზღუდვისთვის, როდესაც მოდელი წონა შეესაბამება federated averages. დროს FL სასწავლო სამუშაო, თითოეული კლიენტული საიტი აირჩიებს საუკეთესო ადგილობრივი მოდელი მასშტაბით მოდელი შესრულების ადგილობრივი validation კომპლექტი. ამავე დროს, სერვერზე აირჩიებს საუკეთესო გლობალური მოდელი საფუძველზე საშუალო validation წონის გადაცემა თითოეული კლიენტული საიტი სერვერზე შემდეგ თითოეული FL კურსი. შემდეგ FL სასწავლო დასრულდება, საუკეთესო ადგილობრივი მოდელი და საუკეთესო გლობალური მოდელი ავტომატურად გაზიარება ყველა კლიენტული საიტი და შეფასება მათი ადგილობრივი ტესტი მონაცემები. 1 T t K ნომერი k როდესაც ტრენინგი მხოლოდ ადგილობრივი მონაცემებს (ბაჟი), ჩვენ დააყენა epoch ნომერი 200. ADAM ოპტიმიზერი გამოიყენება ორივე ადგილობრივი ტრენინგი და FL ერთად დაწყებული სწავლის სიჩქარე 5 × 10–5 და ნაბიჯული სწავლის სიჩქარე განთავსება faktor 0.5 შემდეგ ყოველ 40 epochs, რაც მნიშვნელოვანია შეერთებული საშუალო კავშირი. random affine transformations, მათ შორის rotation, translations, shear, scaling და random intensity ხმა და ცვლილებები, გამოიყენება სურათებს მონაცემების გაზრდის დროს სასწავლო. 73 იმიტომ, რომ BN layers სქესობრივი როდესაც განსხვავებული კლიენტებს უარყოფითი და იგივე განთავსებული გარემოში შეხვდა, ჩვენ აღმოაჩინეს, რომ საუკეთესო მოდელის შესრულება ხდება, როდესაც წინასწარ ტრენინგი ResNet34- ს ს ს სართული ყურადღებაა. ფოლადის ტრენინგის დროს შეზღუდული პარამეტრები (მაგ. ამ ფოლადის შეზღუდული სწავლის სიჩქარით). Deep & Cross ქსელი, რომელიც შეიცავს სურათის ფუნქციებს EMR ფუნქციებს, არ შეიცავს BN ფუნქციებს და ასე რომ, BN- ის უჯრედის პრობლემები არ შეხვდა. 58 47 ამ კვლევში ჩვენ შეამოწმეთ კონფიდენციალურობის შენარჩუნების სისტემას, რომელიც მხოლოდ ნაწილური მოდელი განახლებებს სერვერზე და კლიენტების საიტის შორის გაუზიარებს. წონის განახლებები თითოეული განახლებების დროს შეესაბამება დააკმაყოფილება და მხოლოდ ზოგიერთი პროცენტი ყველაზე დიდი წონის განახლებების გაუზიარება სერვერზე. ზუსტად, წონის განახლებები (დაწვრილებით, gradients) გაუზიარება მხოლოდ იმ შემთხვევაში, თუ მათი უპირატესობრივი ღირებულება აღემატება ზოგიერთი პანტასლის სარეცხი, (შ) გაფართოებული მონაცემები Fig. ), რომელიც დააკმაყოფილია ყველა არა Zero gradients, Δ და შეიძლება იყოს განსხვავებული თითოეული მომხმარებლისთვის თითოეული FL რუკა ამ სისტემის ვარიანტები შეიძლება მოიცავს დამატებითი ჭრის დიდი gradients ან განსხვავებული კონფიდენციალურობის სისტემები რომ დაამატოთ ნარკოტიკული ნარკოტიკების gradients, ან მაშინაც კი ნარკოტიკული მონაცემები, სანამ გადაცემა ქსელის . k 5 ნომერი (t) k t 49 51 სტატისტიკური ანალიზი Wilcoxon- ის რეგისტრაციის ტესტი გაკეთდა, რათა დააკმაყოფილოს პოტენციური შესრულების გაუმჯობესების მნიშვნელობა ადგილობრივ სასწავლო მოდელი და FL მოდელი შორის 24 და 72 საათის დროს (გ. გაფართოებული მონაცემთა Fig. Null ჰოპეტაზს ერთ-ერთი მხრივ უარყოფა « 1 × 10–3 ორივე შემთხვევაში. 2 1 P Pearson- ის კონფიდენციალურობის შეფასება გამოიყენა, რათა შეამოწმოთ კონფიდენციალურობის მოცულობა (სავარაუდოდ, საშუალო AUC ღირებულება სხვა კლიენტების საიტის ტესტირების მონაცემებით) ადგილობრივი ტრენინგი მოდულების დაკავშირებით respective local dataset size. Only moderate correlation was observed ( 0 0 43 = 0.035, თავისუფლების დონეები (df) = 17 24-თანი მოდელი და 0 0 62 = 0.003, df = 16 72-h მოდელისთვის). ეს აჩვენებს, რომ მონაცემთა კომპლექტი ზომა მხოლოდ არ არის ერთ-ერთი ფაქტორი, რომელიც აირჩიებს მოდელის მდგრადიას უახლესი მონაცემებისთვის. r P r P ROC curves შედარებით Global FL მოდელი და ადგილობრივი მოდელი სასწავლო სხვადასხვა ადგილებში (Extended Data Fig. ), ჩვენ bootstrapped 1,000 ნიმუშები მონაცემების და დააკმაყოფილოს შედეგად AUCs. ჩვენ შემდეგ დააკმაყოფილოს განსხვავება ორი სერია და სტანდარტებული გამოყენებით ფორმულა = (AUC1 და AUC2) სადაც ეს არის სტანდარტული განსხვავება. ეს არის სტანდარტული ცვლილება bootstrap განსხვავებები და AUC1 და AUC2 არის შესაბამისი bootstrapped AUC სერია. როგორც ჩვეულებრივი გადაზიდვა, ჩვენ მიიღებთ ღირებულებები აჩვენა დამატებითი ტაბლეში შედეგები აჩვენებენ, რომ ულტვირთო ჰოპეზიას უარყოფს ძალიან დაბალი ხარისხი. ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ფოლადის ღირებულებები გაკეთდა R ერთად pROC ბიბლიოთეკა . 3 D s D s D P 2 P P 74 იმიტომ, რომ მოდელი პროგნოზით diskreet შედეგს, 0-დან 1-ზე მუდმივი სიზუსტით, საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ საკმაოდ ANOVA ტესტირება შედარებით ადგილობრივი და FL მოდელი სქემები შორის ოთხი ground truth კატეგორიები (RA, LFO, HFO, MV). - სტატისტიკური, განკუთვნილია, როგორც ვარიანტი ნიმუშის მეშვეობით, რომელიც გაყოფილია ნიმუშების შორის და შედგება განსხვავებული ჯგუფი შორის dispersion დონეზე, გამოიყენება მოდულების რაოდენობა. ჩვენი შედეგები აჩვენებს, რომ -მომფიკატები ორი განსხვავებული ადგილობრივი ადგილებში 245.7, 253.4, 342.3, 389.8 და 634.8, ხოლო FL მოდელი არის 843.5. - ვალდებულებები ნიშნავს, რომ ჯგუფიები უფრო განსხვავებული არიან, ჩვენი FL მოდელი სავარაუდოდ გთავაზობთ უფრო დიდი dispersion შორის ოთხი ground truth კატეგორიები. ANOVA ტესტის ღირებულება FL მოდულზე <2 × 10–16, რაც აჩვენებს, რომ FL პროგნოზი ფოკუსები სტატისტიკურად მნიშვნელოვანი განსხვავებით განსხვავდება სხვადასხვა პროგნოზი კლასებში. 10 F F F P შეტყობინება დამატებითი ინფორმაცია კვლევის დიზაინი ხელმისაწვდომია დაკავშირებული ამ სტატიაში. Nature Research შეტყობინებები მონაცემთა ხელმისაწვდომობა ეს მონაცემები გამოიყენება სასწავლო თითოეული ადგილას და არ გაუზიაროს ნებისმიერი სხვა მონაწილეობის ინსტიტუტების ან federated სერვერზე, და ისინი არ არის პოპულარულად ხელმისაწვდომი. მონაცემები Independent Validation Sites მინახავს CAMCA, და ხელმისაწვდომობა შეიძლება მოითხოვდეს კონტაქტი Q.L. საფუძველზე განკუთვნილია CAMCA, მონაცემების გაზიარება მიმოხილვა და განახლება IRB კვლევის მიზნით შეიძლება გაკეთდეს MGB კვლევის მენეჯმენტი და შესაბამისად MGB IRB და პოლიტიკა. კოდი ხელმისაწვდომობა ყველა კოდი და პროგრამული უზრუნველყოფა, რომელიც გამოიყენება ამ სტრუქტურაში, ოფიციალურად ხელმისაწვდომია NGC- ში. მიიღეთ ხელმისაწვდომობა, ჩაწერეთ სასტუმროში ან შექმნათ პროფილი, დააწკაპუნეთ ქვემოთ ერთ-ერთი URL- ში. სასწავლო მოდელები, მონაცემების შექმნის რჩევები, კოდები სასწავლოთვის, მოდელი ტესტირება, readme ფაილი, ინსტალაციის რჩევები და ლიცენზიის ფაილი ოფიციალურად ხელმისაწვდომია NVIDIA NGC- ში : : : Federated Learning პროგრამული უზრუნველყოფა ხელმისაწვდომია როგორც ნაწილი Clara Train SDK: სხვა შემთხვევაში, გამოიყენეთ ამ ბრძანებას, რათა ჩამოტვირთოთ მოდელი "wget --content-disposition" -O clara_train_covid19_exam_ehr_xray_1.zip”. 61 https://ngc.nvidia.com/catalog/models/nvidia:med:clara_train_covid19_exam_ehr_xray https://ngc.nvidia.com/catalog/containers/nvidia:clara-train-sdk https://api.ngc.nvidia.com/v2/models/nvidia/med/clara_train_covid19_exam_ehr_xray/versions/1/zip რეიტინგები Budd, J. et al. Digital technologies in the public-health response to COVID-19. , 1183–1192 (2020). Nat. Med. 26 Moorthy, V., Henao Restrepo, A. M., Preziosi, M.-P. & Swaminathan, S. Data sharing for novel coronavirus (COVID-19). , 150 (2020). Bull. World Health Organ. 98 Chen, Q., Allot, A. & Lu, Z. Keep up with the latest coronavirus research. , 193 (2020). Nature 579 Fabbri, F., Bhatia, A., Mayer, A., Schlotter, B. & Kaiser, J. BCG IT spend pulse: how COVID-19 is shifting tech priorities. (2020). https://www.bcg.com/publications/2020/how-covid-19-is-shifting-big-it-spend Candelon, F., Reichert, T., Duranton, S., di Carlo, R. C. & De Bondt, M. The rise of the AI-powered company in the postcrisis world. (2020). https://www.bcg.com/en-gb/publications/2020/business-applications-artificial-intelligence-post-covid Chao, H. et al. Integrative analysis for COVID-19 patient outcome prediction. , 101844 (2021). Med. Image Anal. 67 Zhu, X. et al. Joint prediction and time estimation of COVID-19 developing severe symptoms using chest CT scan. , 101824 (2021). Med. Image Anal. 67 Yang, D. et al. Federated semi-supervised learning for Covid region segmentation in chest ct using multi-national data from China, Italy, Japan. , 101992 (2021). Med. Image Anal. 70 Minaee, S., Kafieh, R., Sonka, M., Yazdani, S. & Jamalipour Soufi, G. Deep-COVID: predicting COVID-19 from chest X-ray images using deep transfer learning. , 101794 (2020). Med. Image Anal. 65 COVID-19 Studies from the World Health Organization Database. (2020). https://clinicaltrials.gov/ct2/who_table ACTIV. (2020). https://www.nih.gov/research-training/medical-research-initiatives/activ Coronavirus Treatment Acceleration Program (CTAP). US Food and Drug Administration (2020). https://www.fda.gov/drugs/coronavirus-covid-19-drugs/coronavirus-treatment-acceleration-program-ctap Gleeson, P., Davison, A. P., Silver, R. A. & Ascoli, G. A. A commitment to open source in neuroscience. , 964–965 (2017). Neuron 96 Piwowar, H. et al. The state of OA: a large-scale analysis of the prevalence and impact of open access articles. , e4375 (2018). PeerJ. 6 European Society of Radiology (ESR). What the radiologist should know about artificial intelligence – an ESR white paper. , 44 (2019). Insights Imaging 10 Pesapane, F., Codari, M. & Sardanelli, F. Artificial intelligence in medical imaging: threat or opportunity? Radiologists again at the forefront of innovation in medicine. , 35 (2018). Eur. Radiol. Exp. 2 Price, W. N. 2nd & Cohen, I. G. Privacy in the age of medical big data. , 37–43 (2019). Nat. Med. 25 Liang, W. et al. Development and validation of a clinical risk score to predict the occurrence of critical illness in hospitalized patients with COVID-19. , 1081–1089 (2020). JAMA Intern. Med. 180 Wynants, L. et al. Prediction models for diagnosis and prognosis of covid-19 infection: systematic review and critical appraisal. , m1328 (2020). Brit. Med. J. 369 Zhang, L. et al. D-dimer levels on admission to predict in-hospital mortality in patients with Covid-19. , 1324–1329 (2020). J. Thromb. Haemost. 18 Sands, K. E. et al. Patient characteristics and admitting vital signs associated with coronavirus disease 2019 (COVID-19)-related mortality among patients admitted with noncritical illness. (2020). https://doi.org/10.1017/ice.2020.461 American College of Radiology. CR recommendations for the use of chest radiography and computed tomography (CT) for suspected COVID-19 infection. (2020). https://www.acr.org/Advocacy-and-Economics/ACR-Position-Statements/Recommendations-for-Chest-Radiography-and-CT-for-Suspected-COVID19-Infection Rubin, G. D. et al. The role of chest imaging in patient management during the COVID-19 pandemic: a multinational consensus statement from the Fleischner Society. , 172–180 (2020). Radiology 296 World Health Organization. Use of chest imaging in COVID-19. (2020). https://www.who.int/publications/i/item/use-of-chest-imaging-in-covid-19 Jamil, S. et al. Diagnosis and management of COVID-19 disease. , 10 (2020). Am. J. Respir. Crit. Care Med. 201 Redmond, C. E., Nicolaou, S., Berger, F. H., Sheikh, A. M. & Patlas, M. N. Emergency radiology during the COVID-19 pandemic: The Canadian Association of Radiologists Recommendations for Practice. , 425–430 (2020). Can. Assoc. Radiologists J. 71 Buch, V. et al. Development and validation of a deep learning model for prediction of severe outcomes in suspected COVID-19 Infection. Preprint at (2021). https://arxiv.org/abs/2103.11269 Lyons, C. & Callaghan, M. The use of high-flow nasal oxygen in COVID-19. , 843–847 (2020). Anaesthesia 75 Whittle, J. S., Pavlov, I., Sacchetti, A. D., Atwood, C. & Rosenberg, M. S. Respiratory support for adult patients with COVID-19. , 95–101 (2020). J. Am. Coll. Emerg. Physicians Open 1 Ai, J., Li, Y., Zhou, X. & Zhang, W. COVID-19: treating and managing severe cases. , 370–371 (2020). Cell Res. 30 Esteva, A. et al. A guide to deep learning in healthcare. , 24–29 (2019). Nat. Med. 25 Cahan, E. M., Hernandez-Boussard, T., Thadaney-Israni, S. & Rubin, D. L. Putting the data before the algorithm in big data addressing personalized healthcare. , 78 (2019). NPJ Digit. Med. 2 Thrall, J. H. et al. Artificial intelligence and machine learning in radiology: opportunities, challenges, pitfalls, and criteria for success. , 504–508 (2018). J. Am. Coll. Radiol. 15 Shilo, S., Rossman, H. & Segal, E. Axes of a revolution: challenges and promises of big data in healthcare. , 29–38 (2020). Nat. Med. 26 Gao, Y. & Cui, Y. Deep transfer learning for reducing health care disparities arising from biomedical data inequality. , 5131 (2020). Nat. Commun. 11 Rieke, N. et al. The future of digital health with federated learning. , 119 (2020). NPJ Dig. Med. 3 Yang, Q., Liu, Y., Chen, T. & Tong, Y. Federated machine learning: concept and applications. , 12 (2019). ACM Trans. Intell. Syst. Technol. 10 Ma, C. et al. On safeguarding privacy and security in the framework of federated learning. , 242–248 (2020). IEEE Netw. 34 Brisimi, T. S. et al. Federated learning of predictive models from federated Electronic Health Records. , 59–67 (2018). Int. J. Med. Inform. 112 Roth, H. R. et al. Federated learning for breast density classification: a real-world implementation. In , (eds. Albarqouni, S. et al.) Vol. 12,444, 181–191 (Springer International Publishing, 2020). Proc. Second MICCAI Workshop, DART 2020 and First MICCAI Workshop, DCL 2020 Domain Adaptation and Representation Transfer, and Distributed and Collaborative Learning Sheller, M. J. et al. Federated learning in medicine: facilitating multi-institutional collaborations without sharing patient data. , 12598 (2020). Sci. Rep. 10 Remedios, S. W., Butman, J. A., Landman, B. A. & Pham, D. L. in (eds Remedios, S. W. et al.) (Springer, 2020). Federated Gradient Averaging for Multi-Site Training with Momentum-Based Optimizers Xu, Y. et al. A collaborative online AI engine for CT-based COVID-19 diagnosis. Preprint at (2020). https://www.medrxiv.org/content/10.1101/2020.05.10.20096073v2 Raisaro, J. L. et al. SCOR: A secure international informatics infrastructure to investigate COVID-19. , 1721–1726 (2020). J. Am. Med. Inform. Assoc. 27 Vaid, A. et al. Federated learning of electronic health records to improve mortality prediction in hospitalized patients with COVID-19: machine learning approach. , e24207 (2021). JMIR Med. Inform. 9 Nino, G. et al. Pediatric lung imaging features of COVID-19: a systematic review and meta-analysis. , 252–263 (2021). Pediatr. Pulmonol. 56 Fredrikson, M., Jha, S. & Ristenpart, T. Model inversion attacks that exploit confidence information and basic countermeasures. In 1322–1333, (2015). Proc. 22nd ACM SIGSAC Conference on Computer and Communications Security https://doi.org/10.1145/2810103.2813677 Zhu, L., Liu, Z. & Han, S. in (eds Wallach, H. et al.) 14774–14784 (Curran Associates, Inc., 2019). Advances in Neural Information Processing Systems 32 Kaissis, G. A., Makowski, M. R., Rückert, D. & Braren, R. F. Secure, privacy-preserving and federated machine learning in medical imaging. , 305–311 (2020). Nat. Mach. Intell. 2 Li, W. et al. in 133–141 (Springer, 2019). Privacy-Preserving Federated Brain Tumour Segmentation Shokri, R. & Shmatikov, V. Privacy-preserving deep learning. In (2015). Proc. 53rd Annual Allerton Conference on Communication, Control, and Computing (Allerton) https://doi.org/10.1109/allerton.2015.7447103 Li, X. et al. Multi-site fMRI analysis using privacy-preserving federated learning and domain adaptation: ABIDE results. , 101765 (2020). Med. Image Anal. 65 Estiri, H. et al. Predicting COVID-19 mortality with electronic medical records. , 15 (2021). NPJ Dig. Med. 4 Jiang, G. et al. Harmonization of detailed clinical models with clinical study data standards. , 65–74 (2015). Methods Inf. Med. 54 Yang, D. et al. in . (2019). Searching Learning Strategy with Reinforcement Learning for 3D Medical Image Segmentation https://doi.org/10.1007/978-3-030-32245-8_1 Elsken, T., Metzen, J. H. & Hutter, F. Neural architecture search: a survey. , 1–21 (2019). J. Mach. Learning Res. 20 Yao, Q. et al. Taking human out of learning applications: a survey on automated machine learning. Preprint at (2019). https://arxiv.org/abs/1810.13306 Ioffe, S. & Szegedy, C. Batch normalization: accelerating deep network training by reducing internal covariate shift. In , PMLR , 448–456 (2015). Proc. 32nd International Conf. Machine Learning 37 Kaufman, S., Rosset, S. & Perlich, C. Leakage in data mining: formulation, detection, and avoidance. In , 556–563 (2011). Proc. 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining Zhang, C. et al. BatchCrypt: efficient homomorphic encryption for cross-silo federated learning. In , 493–506 (2020). Proc. 2020 USENIX Annual Technical Conference, ATC 2020 . (2020). Nvidia NGC Catalog: COVID-19 Related Models https://ngc.nvidia.com/catalog/models?orderBy=scoreDESC&pageNumber=0&query=covid&quickFilter=models&filters Marini, J. J. & Gattinoni, L. Management of COVID-19 respiratory distress. , 2329–2330 (2020). JAMA 323 Cook, T. M. et al. Consensus guidelines for managing the airway in patients with COVID-19: Guidelines from the Difficult Airway Society, the Association of Anaesthetists the Intensive Care Society, the Faculty of Intensive Care Medicine and the Royal College of Anaesthetist. , 785–799 (2020). Anaesthesia 75 Galloway, J. B. et al. A clinical risk score to identify patients with COVID-19 at high risk of critical care admission or death: an observational cohort study. , 282–288 (2020). J. Infect. 81 Kilaru, A. S. et al. Return hospital admissions among 1419 COVID-19 patients discharged from five U.S. emergency departments. , 1039–1042 (2020). Acad. Emerg. Med. 27 He, K., Zhang, X., Ren, S. & Sun, J. Deep residual learning for image recognition. In (2016). Proc. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) https://doi.org/10.1109/cvpr.2016.90 Irvin, J. et al. CheXpert: a large chest radiograph dataset with uncertainty labels and expert comparison. , 590–597 (2019). Proc. AAAI Conf. Artif. Intell. 33 Wang, R., Fu, B., Fu, G. & Wang, M. Deep & Cross network for Ad Click predictions. In Article no. 12 (2017). Proc. ADKDD’17 Abadi, M. et al. TensorFlow: asystem for large-scale machine learning. In , USENIX Association 265–283 (2016). 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI 16) . (2020). NVIDIA Clara Imaging https://developer.nvidia.com/clara-medical-imaging Stekhoven, D. J. & Bühlmann, P. MissForest–non-parametric missing value imputation for mixed-type data. , 112–118 (2012). Bioinformatics 28 McMahan, H., Moore, E., Ramage, D., Hampson, S. & y Arcas, B. A. Communication-efficient learning of deep networks from decentralized data. (2017). http://proceedings.mlr.press/v54/mcmahan17a.html Hsieh, K., Phanishayee, A., Mutlu, O. & Gibbons, P. B. The non-IID data quagmire of decentralized machine learning. In PMLR 119 (2020). Proc. 37th International Conf. Machine Learning Robin, X. et al. pROC: an open-source package for R and S+ to analyze and compare ROC curves. , 77 (2011). BMC Bioinformatics 12 აღიარება ამ კლიენტების სამუშაოში გამოქვეყნებული მიმოხილვა ამ კლიენტების მიმოხილვა არის ავტორების მიმოხილვა და არ აუცილებლად NHS- ის, NIHR- ის, ჯანმრთელობის და სოციალურ მომსახურების დეპარტამენტის ან ნებისმიერ ორგანიზაციების მეშვეობით. MGB მადლობა ამ კლიენტებს მათი მხარდაჭერათვის: J. Brink, Radiology Department, Massachusetts General Hospital, Harvard Medical School, Boston, MA; M. Kalra, Radiology Department, Massachusetts General Hospital, Harvard Medical School, Boston, MA; N. Neumark, Clinical Data Science Center, Massachusetts General Brigham, Boston, MA; T. Schultz, Radiology Department, Massachusetts General Hospital, Boston, MA; N. Guo, Advanced Medical Computing and Analysis Center, Radiology Department, Massachusetts General Hospital Chulalongkorn უნივერსიტეტის სამედიცინო უნივერსიტეტის მეშვეობით სამედიცინო უნივერსიტეტის მადლობა Ratchadapisek Sompoch Endowment Fund RA (PO) (No. 001/63) COVID-19- ს დაკავშირებული კლინიკური მონაცემების და ბიოლოგიური ნიმუშების კოლექციას, სამედიცინო უნივერსიტეტი Chulalongkorn უნივერსიტეტი. NIHR Cambridge Biomedical Research Center მადლობა A. Priest, რომელიც მხარს უჭერს NIHR (Cambridge Biomedical Research Centre at Cambridge University Hospitals NHS Foundation Trust). National Taiwan University MeDA Lab და MAHC და Taiwan National Health Insurance Administration მადლობა MOST Joint Research Center for AI technology, All Vista Healthcare National Health Insurance Administration, Taiwan, Ministry of Science and Technology, Taiwan National Center for Theoretical Sciences https://data.ucsf.edu/covid19 ამ სტატიაში ხელმისაწვდომია CC by 4.0 Deed (Attribution 4.0 International) ლიცენზია. ეს ქაღალდი არის CC by 4.0 Deed (Attribution 4.0 International) ლიცენზია. ხელმისაწვდომია ბუნება
