ලේඛකයෝ : Ittai Dayan Holger R. රෝස් Aoxiao ජොං Ahmed Harouni පිලිබදව ආදරණීය ආදරණීය Anas Z. Abidin Andrew Liu Anthony Beardsworth Costa Bradford J. Wood Chien-Sung Tsai Chih-Hung Wang Chun-Nan Hsu C. K. Lee Peiying Ruan Daguang Xu 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 ලේඛකයෝ : ඩිජිටල් Holger R. රෝස් Aoxiao ජොං Ahmed Harouni පිලිබදව ආදරණීය ආදරණීය ඇනාස් Z. ඇබිඩින් ඇන්ඩ්රො Liu Anthony Beardsworth කොස්ටෝ Bradford J. වෝඩ් චීනය - චීනය Chih-Hung වෑන් චුන්-නොන් හූ C. K. ලී රාවණ රු ඩෙංගු Xu ඩොෆන් Wu එඩි Huang ෆෙලිප් කැම්පස් Kitamura ග් රිෆින් ලැසි Gustavo César Antônio Corradi නෝනා නෝනා හීනි ෂින් Hirofumi ඔබිනාටා නරඹන්න Ren ජේසන් C. ක්රේන් ජේසි ටෙට්රො Jiahui ගූන් ජෝන් W. ගාර්ට් Joshua D. Kaggie ප් රදර්ශනය Jung Gil පාක් මාලිගාව Dreyer ක් රිස්නා ජුල්රූ ක් රිස්ටොෆර් Kersten Marcio Aloisio Bezerra Cavalcanti රොකන්බැක් ජෝර්ජ් Linguraru මාසෝම් A. හයිඩර් මාලිගාව AbdelMaseeh නයිකල් රික් PABLO F. DAMASCENO Pedro Mario Cruz සහ සිල්වා වොන්ග් Sheng Xu Shuichi Kawano ගැන ස්වාමියා ස්වාමියා සෝ Young Park Thomas M. ග්රිස් පොත වාරා කෑම කෑම කෑම වොන්ග් ජෝන් ටැක් ශ් රීලනිප Xihong ලින් තරුණ ජෝන් කෝන් කොරෝනා ඇන්ඩ්රොෆ් Feng Andrew N. කුමාරයා බැරිස් ටර්ක්බයි Benjamin Glicksberg පිලිබදව බර්නාඩ් බයිසෝ දකිනවා කිම් චාල්ස් ටෝර්-ඩයිස් චා-චං ලී ශ් රීලනිප Hsu චීන ලින් ශ් රීලනිප ක් රිස්ටර් P. Hess කොලන් Compas Deepeksha බැටියා එරික් K. ඔර්මන් Evan Leibovitz හයිසෙෂි SASAKI Hitoshi මැරි ඉස්ලාම් ජේ හෝ පුතා ක් රිස්නා නන්ඩ් ක්ෂාව් මර්තී චේන් ෆු මාතෙව්ස් Ribeiro Furtado de Mendonça මයික් Fralick මින් Kyu Kang නිවැරදිව නතාලි Gangai බටහිර බටහිර බටහිර පීටර් එල්නයිර සාරා හයික්මන් ශ් රීලනිපය Shelley L. McLeod ෂෙරිඩන් රිඩ් ස්ටෙෆාන් ග්රෙෆ් ස්ටෙෆානි හර්මන් Tatsuya Kodama පිලිතුරු මාලිගාව ටෝනි මැෂුල් වෘත්තීය වෘත්තීය වෘත්තීය Yothin Rakvongthai පිටුපසින් Yu Rim ලී ජෝන් Wen Fiona J. ජිල්බර්ට් Mona G. මල්ස් ලී ලී abstract පිලිබඳ Federated learning (FL) is a method used for training artificial intelligence models with data from multiple sources while maintaining data anonymity, thus removing many barriers to data sharing. Here we used data from 20 institutes across the globe to train a FL model, called EXAM (electronic medical record (EMR) chest X-ray AI model), that predicts the future oxygen requirements of symptomatic patients with COVID-19 using inputs of vital signs, laboratory data and chest X-rays. EXAM achieved an average area under the curve (AUC) >0.92 for predicting outcomes at 24 and 72 h from the time of initial presentation to the emergency room, and it provided 16% improvement in average AUC measured across all participating sites and an average increase in generalizability of 38% when compared with models trained at a single site using that site’s data. For prediction of mechanical ventilation treatment or death at 24 h at the largest independent test site, EXAM achieved a sensitivity of 0.950 and specificity of 0.882. In this study, FL facilitated rapid data science collaboration without data exchange and generated a model that generalized across heterogeneous, unharmonized datasets for prediction of clinical outcomes in patients with COVID-19, setting the stage for the broader use of FL in healthcare. ප් රධාන විද්යාත්මක, විද්යාත්මක, වෛද්ය හා දත්ත විද්යාව සමාජය COVID-19 ප්රායෝගික අර්බුදයට මුහුණ දී වේගයෙන් වේගවත් සහ ආරක්ෂිත නව ආකෘති ගවේෂණය කිරීම සඳහා එකතු වී ඇති අතර, සම්ප්රදායික සන්නිවේදනවල සාමාන්ය පෞද්ගලිකත්වය හා දත්ත අයිතිවාසිකම් බාධක නොමැතිව දත්ත බෙදාහැරීම සහ ආකෘති පුහුණු කිරීම සහ පරීක්ෂා කිරීම ප්රයෝජනවත් කර ඇත. , සෞඛ්ය සේවා සැපයුම්කරුවන්, පර්යේෂකයන් සහ කර්මාන්ත ශාලාව ඍජු ප්රතිඵල සහිතව ඵලදායී ප්රතිඵල සමඟ ඵලදායී ඵලදායී ඵලදායී ඵලදායී ඵලදායී ඵලදායී ඵලදායී ඵලදායී ඵලදායී ඵලදායී ඵලදායී ඵලදායී ඵලදායී , , , , , , Klinical trial recruitment has been accelerated and facilitated by national regulatory bodies and an international cooperative spirit ප් රමුඛ පරීක්ෂණ රැකියාව ක්රියාත්මක කිරීම ජාත්යන්තර සංවිධාන හා ජාත්යන්තර සහයෝගය ආත්මයන් විසින් වේගවත් කර ඇත. , , දත්ත විශ්ලේෂණය හා AI අංශය සෑම විටම විවෘත හා සන්නිවේදන ප්රවේශයන් ප්රවර්ධනය කර ඇති අතර, විවෘත මූලාශ්රය මෘදුකාංග, නැවතත් කළ හැකි පර්යේෂණ, දත්ත ගබඩාව සහ අනන්ය දත්ත රැස්වීම් ප්රකාශයට ලබා දෙයි. , වේගයෙන් වර්ධනය වන ගෝලීය අභියෝගවලට ප් රතිචාර දක්වන විට වෛද්ය හා විද්යාත්මක සමාජයට බලපාන දත්ත සන්නිවේදන ක්රියාත්මක කිරීමේ අවශ් යතාවය අවධාරණය කර ඇත.Data sharing has ethical, regulatory and legal complexities that are underscored, and somewhat complicated, by recent entry of large technology companies into the healthcare data world. , , . 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 මෙම ආකාරයේ සහයෝගය පිළිබඳ සැබෑ උදාහරණයක් වන්නේ AI-based SARS-COV-2 ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්රයේ ක්ෂේත්ර , , , CXR පින්තූර ප්රවේශය ලෙස තෝරා ගත්තේ එය පුළුල් ලෙස ලබා ගත හැකි වන අතර ACR විසින් ලබා දෙන ආකාරය වැනි මාර්ගෝපදේශයන් මගින් සාමාන්යයෙන් පෙන්වනු ලැබේ. , the Fleischner Society WHO ජාතික Thoracic සමාජය ලොව පුරා ජාතික සෞඛ් ය අමාත් යාංශය COVID උපසිරැසි සහ radiology සමාජය CDS ආකෘතියේ ප් රතිඵලයක්, CORISK ලෙස හැඳින්වේ. ඔක්සිජන් සහාය අවශ්යතා අනුකූල වන අතර ප්රමුඛ ප්රතිකාර වෛද්යවරුන් විසින් රෝගීන් පරීක්ෂා කිරීම සඳහා උපකාරී විය හැකිය. , , සෞඛ් ය සේවා සැපයුම්කරුවන් ඔවුන්ගේ දත්ත මත තහවුරු කරන ආකෘති ප් රිය කරන බව දැන සිටියා. ඉහත සඳහන් වූ CDS ආකෘතිය ඇතුළත් බොහෝ AI ආකෘති දැනටමත් පුහුණු කර ඇති අතර, බොහෝ විට විවිධත්වය නොමැති 'සහ' දත්ත මත විනිශ්චය කර ඇත. , , ප්රතිඵලයක් ලෙස overfitting හා අඩු Generalizability.This can be mitigated by training with diverse data from multiple sites without centralization of data. transfer learning වැනි උපකරණ භාවිතා කිරීම , හෝ FL. FL විවිධ දත්ත මූලාශ් ර මත AI ආකෘති පුහුණු කිරීම සඳහා භාවිතා කරන ක්රමයක් වන අතර, දත්ත ඔවුන්ගේ මුල් ස්ථානයෙන් පිටතට ප්රවාහන හෝ ප්රදර්ශනය නොකරයි. . 18 19 20 21 22 23 24 25 26 27 28 29 30 27 31 32 33 34 35 36 ෆෙඩරෙට් ඉගැන්වීම් දත්ත පිළිබඳ වැඩි දියුණු කිරීම් සහ ආකෘති වෙනස්වීම් සහ බලපෑම ගවේෂණය කිරීම සමඟ මධ්යස්ථානයෙන් සකස් කරන ලද අත්හදා බැලීම් වේගයෙන් ආරම්භ කිරීමට සහාය වේ FL වෙත එක් ප්රවේශයක්, client-server ලෙස හැඳින්වෙන අතර, කොටසක් පුහුණු කාර්යයන් සිදු කරන අනෙකුත් සේවාදායකයන් වෙත (‘Nodes’) ‘නිර්මානුකූල’ ආකෘතිය යැවීමෙන්, ප්රතිඵල නැවත මධ් යම (‘federated’) සේවාදායකයට එකතු කිරීමට යැවීමට යැවීමයි. . 37 36 FL සඳහා දත්ත කළමනාකරණය දේශීයව සකස් කර ඇති අතර, පෞද්ගලිකත්වය පිළිබඳ ප්රශ්න අවලංගු කර ඇති අතර, පාරිභෝගික වෙබ් අඩවි සහ ෆෙඩරැට් සේවාදායකයන් අතර පමණක් ආකෘති බර හෝ ග්රාඩින් සන්නිවේදනය කරනු ලැබේ. , FL දැනටමත් මෑතකදී වෛද්ය ආකෘති ආකෘති යෙදුම් තුළ පොරොන්දු බව පෙන්වා ඇත. , , , COVID-19 විශ්ලේෂණය , , උදාහරණයක් ලෙස SARS-COV-2 සමඟ ආසාදනය වූ රෝගීන් තුළ මරණය අනාවැකි ආකෘතිය වන අතර එය ක්ෂේත්ර සංඛ්යාව සහ ප්රමාණය අනුව සීමිත වුවද ක්ෂේත්ර සංඛ්යාව හා ප්රමාණය අනුව ක්රියාකාරී විශේෂාංග භාවිතා කරයි. . 38 39 40 41 42 43 8 44 45 46 CDS ආකෘතිය සාර්ථකව ෆෙඩරල් කළ හැකි බව අපගේ අරමුණ විය, රෝගීන් පරීක්ෂා කිරීම සඳහා උපකාර කළ හැකි ශක්තිමත්, සාමාන්ය කළ හැකි ආකෘතිය සංවර්ධනය කිරීමයි. CDS ආකෘතිය සාර්ථකව ෆෙඩරල් කළ හැකි බව අපි ප්රකාශ කර ඇති අතර, එය ක්රියාකාරී ක්රියාකාරීත්වය පිළිබඳ ක්රියාකාරී ස්වාධීන විනිශ්චය මත විශාල වශයෙන් බැඳී නොතිබුණු ප්රතිඵල භාවිතා කරන ලදී, ක්රියාකාරී ස්වාධීනත්වය (උදාහරණයක් ලෙස ක්රියාකාරී ආකෘති හෝ වාර්තා ලක්ෂණ) ප්රතිඵල භාවිතා කරන ලදී. ඒ වෙනුවට, පර්යේෂණ පර්යේෂණ ප්රතිඵල, ප්රධාන අංග, ආකෘති අධ්යය අපගේ අනුමැතිය විය යුත්තේ EXAM දේශීය ආකෘති වලට වඩා හොඳින් ක්රියාත්මක වනු ඇති අතර සෞඛ්ය සේවා පද්ධතිවලදී වඩා හොඳින් සාමාන්ය කර ඇති බවයි. ප් රතිඵල Exam ආකෘතිය EXAM ආකෘතිය ඉහත සඳහන් CDS ආකෘතිය මත පදනම් වේ ප්රතිඵල ලයිබල් (එනම්, ‘පෘථිවිය සත්යය’) රෝගියා ඔක්සිජන් ප්රතිකාර මත පදනම්ව 24 සහ 72 පැය කාල සීමාවකින් පසු ප්රථම හදිසි ප්රතිකාර දෙපාර්තමේන්තුව (ED) වෙත ඇතුල්වීමෙන් පසුව ලියාපදිංචි කර ඇත. . 27 1 රෝගීන්ගේ ප්රතිඵල ලැයිස්තුව 0, 0,25, 0,50 සහ 0,75 ලෙස සකස් කරන ලදී. ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල ප්රතිඵල EMR විශේෂාංග සඳහා, ED හි ගබඩා කරන ලද පළමු වටිනාකම් පමණක් භාවිතා කර ඇති අතර දත්ත ප්රතිසංස්කරණය සඳහා අසා හඳුනාගැනීම, අහිමි වටිනාකම අනුකූල කිරීම සහ අර්ධ මධ්යස්ථානය සහ ඒකක වෙනස්කම් දක්වා සම්මත කිරීම ඇතුළත් විය. එබැවින් මෙම ආකෘතිය EMR සහ CXR ක්රියාකාරකම් දෙකමෙන් තොරතුරු එකතු කරයි, 34-කාලිගුණ Convolutional Neural Network (ResNet34) භාවිතා කිරීමෙන් CXR සහ Deep & Cross ක්රියාකාරකම් සහ EMR ක්රියාකාරකම් සමඟ ක්රියාකාරකම් සංකේත කිරීම සඳහා ක්රියාකාරකම් ඉවත් කරයි (විශාල විස්තර සඳහා, බලන්න). ) ආකෘති ප්රතිඵල ප්රතිඵලයක් ලෙස හඳුන්වනු ලබන්නේ EXAM ප්රතිඵලයක් ලෙසයි, එය ඉහත විස්තර කරන ලැයිස්තුවන්ට ගැලපෙන එක් එක් 24 සහ 72 පැය ප්රතිඵලයක් සඳහා 0-1 ප්රමාණයේ දිගුකාලීන වටිනාකමකි. ක් රම ෆෙඩරල් Model මෙම EXAM ආකෘතිය 16148 ප්රශ්න වලින් පුහුණු කරන ලදී, එය COVID-19 සඳහා පළමු FL ආකෘති අතර පමණක් නොව, Klinically Relevant AI හි ඉතා විශාල හා multicontinental සංවර්ධනය ව්යාපෘතියක් බවට පත් කර ඇත. වෙබ් අඩවි අතර දත්ත විශ්ලේෂණය කිරීමට පෙර අනුකූල නොවන අතර, සැබෑ ක්රියාකාරී පරිගණක පරිගණක තත්ත්වයන් අනුව, දත්ත ඇතුළත් කිරීම පිළිබඳ පරිස්සම් අනුකූල කිරීම ලේඛකයින් විසින් සිදු නොකළේය. ) 1A,B 1c ,D , EXAM අධ්යයනයට උපකාර කරන විවිධ පාරිභෝගික වෙබ් අඩවි 20 ක් පෙන්වන ලෝක සිතියම. සෑම ආයතනයක් හෝ වෙබ් අඩවියකටම උපකාර කරන නඩු සංඛ් යාව (1 සේවාදායකයා විශාලතම නඩු සංඛ් යාවකට උපකාර කරන වෙබ් අඩවියයි). , Chest X-ray intensity distribution at each client site. , සෑම පාරිභෝගික ස්ථානයේදී රෝගීන්ගේ වයස, අවම සහ උපරිම වයස (ස්ටාර්ස්ක්), මධ්යම වයස (විරහස්) සහ සම්මත පරාසය (විරුචර්ටීය පරාසයන්) පෙන්වනු ලබන අතර, සෑම පාරිභෝගික ස්ථානයේදී සෑම පාරිභෝගික ස්ථානයේම සාම්පල ගණන අතිරේක පුවරුවේ පෙන්වනු ලැබේ . a b c d 1 ප් රචණ්ඩත්වය සිදුවේ, නමුත් අපි පාපයට එරෙහිව ශුද්ධ විනිශ්චය සහ අපි පුද්ගලිකව අකමැති අයට එරෙහි වන පුරපැම අතර වෙනස අප හඳුනාගත යුතුය, එය උඩඟුකමේ අනිවාර්ය ප් රතිපලයයි ( 1 × 10–3, Wilcoxon Signed-Rank Test) 16% (අවශ්ය දේශීය පරීක්ෂණ කට්ටයන් මත ආකෘතිය ක්රියාත්මක කරන විට සාමාන්ය AUC මගින් සංකේත කරන පරිදි: 0.795 සිට 0.920, හෝ 12.5 ප්රතිශත ප්රතිශත) (එළිදරව්. එය ද 38% Generalizability වැඩි දියුණු වීමක් (සියලු පරීක්ෂණ කට්ටයන් මත ආකෘතිය ක්රියා කරන විට සාමාන්ය AUC විසින් සකස් කරන පරිදි: 0.667 සිට 0.920, හෝ 25.3 ප්රතිශත ප්රතිශත) 24 පැය ඔක්සිජන් ප්රතිකාර ප්රතික්ෂේප කිරීම සඳහා හොඳම ගෝලීය ආකෘතියට පමණක් ස්ථානයේ තමන්ගේ දත්ත මත පුහුණු වූ ආකෘති වලට සමාන වේ. 72 පැය ඔක්සිජන් ප්රතිකාරයේ අනාවැකි ප්රතිඵල සඳහා, හොඳම ගෝලීය ආකෘති පුහුණුව දේශීය පුහුණු ආකෘති වලට වඩා 18% ක සාමාන්ය ප්රතිඵල වැඩි දියුණු කර ඇති අතර, ගෝලීය ආකෘති සාමාන්යත්වය සාමාන්යයෙන් 34% ක වැඩි දියුණු කර ඇති අතර (Extended Data Fig. අපේ ප්රතිඵලයේ ස්ථාවරත්වය, විවිධ randomized දත්ත බෙදා හැරීම් මත දේශීය හා FL පුහුණු තුනක් නැවත නැවත නැවත නැවතත් කිරීමෙන් තහවුරු කර ඇත. P 2A 2b 1 , සෑම පාරිභෝගිකයාගේ පරීක්ෂණයේ ප්රතික්ෂේප කිරීම සඳහා, දේශීය දත්ත මත පමණක් පුහුණු ආකෘති සඳහා පැය 24 ක් ඔක්සිජන් ප්රතිකාර (Local) සහ සේවාදායකය මත ලබා ගත හැකි හොඳම ගෝලීය ආකෘති (FL) ප්රතික්ෂේප කිරීමයි. , Generalizability (නිර්මානුකූල AUC ලෙස අනෙකුත් වෙබ් අඩවි පරීක්ෂණ දත්තවල සාමාන්ය ප්රතිඵල) පාරිභෝගික දත්ත සංඛ්යාවගේ ප්රමාණය (අවශ්ය ප්රතිඵල නොමැත) අනුව. Green horizontal line denotes the generalizability performance of the best global model.The performance for 18 of 20 clients is shown, because client 12 had results only for 72h oxygen (Extended Data Fig. ) සහ පාරිභෝගිකයා 14 පමණක් RA ප්රතිකාර සමග ප්රශ්න තිබුණේය, එබැවින් පර්යේෂණ ප්රමාණය (AUC අනුව) කිසිදු අවස්ථාවක මෙම ප්රශ්න වල යෙදිය නොහැකි විය ( පරිශීලක 14 පිළිබඳ දත්ත දේශීය ආකෘතිවල සාමාන්ය සාමාන්යතා ගණනය කිරීමෙන් ඉවත් කර ඇත. a b 1 ක් රම ප්රදේශීය ආකෘති, අසාමාන්ය කූඩාරම් භාවිතා කිරීමෙන් පුහුණු කරන ලද (උදාහරණයක් ලෙස, ප්රධාන වශයෙන් සරල COVID-19 ප්රතිඵල), FL ප්රවේශය ප්රමාණවත් ප්රතිඵල ප්රතික්ෂේප ප්රමාණවත් ප්රමාණවත් AUC ප්රතිඵල ප්රතිඵල ප්රමාණවත් ප්රතිඵල කිහිපයක් පමණක් ප්රතිඵල සහිත ප්රතිඵල ප්රතිඵල ප්රමාණවත් ප්රමාණවත් ප්රමාණවත් ප්රතිඵල ප්රමාණවත් ප්රමාණවත් ප්රතිඵල අඩු ප්රමාණවත් ප්රතිඵල ප්රමාණවත් ප්රතිඵල අඩු ප්රමාණවත් ප්රතිඵල ප්රමාණවත් ප්ර වැඩි දියුණු දත්ත Fig. වඩාත් වැදගත් වන්නේ, FL ආකෘතියේ සාමාන්යත්වය දේශීයව පුහුණු වූ ආකෘතියට වඩා වැඩි විය. 3a 2 , සේවාදායක ස්ථානයක ROC 16 හි, දත්ත අසාමාන්ය වන අතර බොහෝ විට මන්දගාමී සිද්ධීන්. , ROC of the local model at client site 12 (a small dataset), mean ROC of models trained on larger datasets corresponding to the five client sites in the Boston area (1, 4, 5, 6, 8) and ROC of the best global model in prediction of 72-h oxygen treatment for different thresholds of EXAM score (left, middle, right). The mean ROC is calculated based on five locally trained models while the gray area denotes the ROC standard deviation. ROCs for three different cutoff values ( විභාග අවදානම ලකුණු පෙන්නුම් කරන ලදී.Pos සහ neg මෙම විභාග ලකුණු ප්රමාණය අනුව සතිපතා ප්රතිඵලදායික සහ ප්රතිඵලදායික අවස්ථාවන් සංඛ්යාව හඳුන්වා දෙයි. a b t සාපේක්ෂව කුඩා දත්ත රැස්වීම් සහිත පාරිභෝගික වෙබ් අඩවි වලදී, හොඳම FL ආකෘතිය පමණක් නොව, එක්සත් ජනපදයේ බෝස්ටන් ප්රදේශයේ පස් දෙනෙකුගෙන් විශාල දත්ත රැස්වීම් මත පුහුණු කරන අයත් වඩාත් හොඳින් ක්රියාත්මක විය. ). 3b The global model performed well in predicting oxygen needs at 24/72 h in patients both COVID positive and negative (Extended Data Fig. ). 3 ස්වාධීන වෙබ් අඩවි වල Validation Following initial training, EXAM was subsequently tested at three independent validation sites: Cooley Dickinson Hospital (CDH), Martha’s Vineyard Hospital (MVH) and Nantucket Cottage Hospital (NCH), all in Massachusetts, USA. The model was not retrained at these sites and it was used only for validation purposes. The cohort size and model inference results are summarized in Table , and the ROC curves and confusion matrices for the largest dataset (from CDH) are shown in Fig. . The operating point was set to discriminate between nonmechanical ventilation and mechanical ventilation (MV) treatment (or death). The FL global trained model, EXAM, achieved an average AUC of 0.944 and 0.924 for 24- and 72-h prediction tasks, respectively (Table 24 පැය තුළ MV ප්රතිකාර (හෝ මරණ) අනාවැකි කිරීම සඳහා, EXAM විසින් CDH හි 0.950 සංවේදීතාව සහ 0.882 සංවේදීතාව සහ 1000 සංවේදීතාවට 0.934 සංවේදීතාවක් ලබා දුන් අතර, MVH හි NCH හි 24 පැය තුළ MV / මරණය පිළිබඳ කිසිදු අවස්ථාවක් නොමැත. 72 පැය තුළ MV අනාවැකි සම්බන්ධයෙන්, EXAM විසින් CDH හි 0.929 සංවේදීතාව සහ 0.880 සංවේදීතාවක්, 1000 සංවේදීතාව සහ 0.976 සංවේදීතාව සහ NCH හි 1.000 සංවේදීතාව සහ 0.929 සංවේදීතාවක් ලබා දුන්. 2 4 2 , , Performance (ROC) (top) and confusion matrices (bottom) of the EXAM FL model on the CDH dataset for prediction of oxygen requirement at 24 h ( පැය 72 ( ). ROCs for three different cutoff values ( විභාගයේ අවදානම ප් රතිඵල පෙන්වනු ලැබේ. a b a b t පැය 72 ට CDH හි MV සඳහා, EXAM හි 7.1% හි අඩු false-negative ප්රතිශතයක් තිබේ. CDH හි බොරු අහිතකර ප්රශ්න දෙකක් පෙන්වමින්, එක් අවස්ථාවක EMR දත්ත විශේෂාංග කිහිපයක් අතුරුදහන් වූ අතර අනෙක් අවස්ථාවක ක්රියාකාරිත්වය සහිත CXR සහ කිහිපයක් අතුරුදහන් වන EMR විශේෂාංග තිබේ. 4 Use of differential privacy A primary motivation for healthcare institutes to use FL is to preserve the security and privacy of their data, as well as adherence to data compliance measures. For FL, there remains the potential risk of model ‘inversion’ or even the reconstruction of training images from the model gradients themselves . To counter these risks, security-enhancing measures were used to mitigate risk in the event of data ‘interception’ during site-server communication . We experimented with techniques to avoid interception of FL data, and added a security feature that we believe could encourage more institutions to use FL. We thus validated previous findings showing that partial weight sharing, and other differential privacy techniques, can successfully be applied in FL . Through investigation of a partial weight-sharing scheme , , , we showed that models can reach a comparable performance even when only 25% of weight updates are shared (Extended Data Fig. ). 47 48 49 50 50 51 52 5 සාකච්ඡා This study features a large, real-world healthcare FL study in terms of number of sites and number of data points used. We believe that it provides a powerful proof-of-concept of the feasibility of using FL for fast and collaborative development of needed AI models in healthcare. Our study involved multiple sites across four continents and under the oversight of different regulatory bodies, and thus holds the promise of being provided to different regulated markets in an expedited way. The global FL model, EXAM, proved to be more robust and achieved better results at individual sites than any model trained on only local data. We believe that consistent improvement was achieved owing to a larger, but also a more diverse, dataset, the use of data inputs that can be standardized and avoidance of clinical impressions/reported symptoms. These factors played an important part in increasing the benefits from this FL approach and its impact on performance, generalizability and, ultimately, the model’s usability. For a client site with a relatively small dataset, two typical approaches could be used for fitting a useful model: one is to train locally with its own data, the other is to apply a model trained on a larger dataset. For sites with small datasets, it would have been virtually impossible to build a performant deep learning model using only their local data. The finding, that these two approaches were outperformed on all three prediction tasks by the global FL model, indicates that the benefit for client sites with small datasets arising from participation in FL collaborations is substantial. This is probaby a reflection of FL’s ability to capture more diversity than local training, and to mitigate the bias present in models trained on a homogenous population. An under-represented population or age group in one hospital/region might be highly represented in another region—such as children who might be differentially affected by COVID-19, including disease manifestations in lung imaging . 46 COVID-19 රෝගියා ප්රතිකාරයේ ප්රතික්ෂේපදාත්මක ඇල්ගෝරිට් භාවිතා කිරීම සහ FL ආකෘති නිර්මාණය හා පරීක්ෂා කිරීම සඳහා භාවිතා කිරීම සඳහා විශ්වාසදායක උදාහරණයක් සපයනු ලැබේ. මෙම අධ්යයයනයට සහභාගී වීමෙන් පාරිභෝගික ස්ථාන EXAM වෙත ප්රවේශය ලැබී, ඕනෑම නීතිමය අනුමැතියක් හෝ අනාගතයේ ක්රියාකාරී ප්රතිකාරයට ඇතුළත් වීමට පෙර තවදුරටත් අනුමැතිය කරනු ලැබේ. , as well as at different sites that were not a part of the EXAM training. 53 Over 200 prediction models to support decision-making in patients with COVID-19 have been published . Unlike the majority of publications focused on diagnosis of COVID-19 or prediction of mortality, we predicted oxygen requirements that have implications for patient management. We also used cases with unknown SARS-COV-2 status, and so the model could provide input to the physician ahead of receiving a result for PCR with reverse transcription (RT–PCR), making it useful for a real-life clinical setting. The model’s imaging input is used in common practice, in contrast with models that use chest computed tomography, a nonconsensual diagnostic modality. The model’s design was constrained to objective predictors, unlike many published studies that leveraged subjective clinical impressions. The data collected reflect varied incidence rates, and thus the ‘population momentum’ we encountered is more diverse. This implies that the algorithm can be useful in populations with different incidence rates. 19 රෝගියා කොහර්ට් හඳුනා ගැනීම සහ දත්ත හවුල් කිරීම පර්යේෂණ හා දත්ත විද්යාව තුළ නව ප්රශ්න නොවේ , but are further complicated, when using FL, given the lack of visibility on other sites’ datasets. Improvements to clinical information systems are needed to streamline data preparation, leading to better leverage of a network of sites participating in FL. This, in conjunction with hyperparameter engineering, can allow algorithms to ‘learn’ more effectively from larger data batches and adapt model parameters to a particular site for further personalization—for example, through further fine-tuning on that site නිශ්චිතව, සැබෑ කාලය සමීප ආකෘති අනුගමනය සහ ප්රතිඵල සැකසුම් කිරීමට ඉඩ දෙන පද්ධතිය ද ප්රතිලාභයක් වනු ඇත සහ පුහුණු සිට ආකෘති ස්ථාපනය දක්වා "කෙරැස්" වනු ඇත. 54 39 දත්ත මධ්යගත නොවන නිසා ඔවුන් පහසුවෙන් ප්රවේශ විය නොහැක.මේ නිසා, ප්රතිඵල පිළිබඳ ඕනෑම අනාගත විශ්ලේෂණය, සකස් කරන ලද සහ එකතු කරන ලද දේ හැර, සීමා වේ. Similar to other machine learning models, EXAM is limited by the quality of the training data. Institutions interested in deploying this algorithm for clinical care need to understand potential biases in the training. For example, the labels used as ground truth in the training of the EXAM model were derived from 24- and 72-h oxygen consumption in the patient; it is assumed that oxygen delivered to the patient equates the oxygen need. However, in the early phase of the COVID-19 pandemic, many patients were provided high-flow oxygen prophylactically regardless of their oxygen need. Such clinical practice could skew the predictions made by this model. අපගේ දත්ත ප්රවේශය සීමා වූ නිසා, අප බොහෝ ස්ථානවල අසාර්ථකත්වයේ හේතු පිළිබඳ විස්තරාත්මක තැපැල් නිෂ්පාදනය සඳහා ප්රමාණවත් තොරතුරු ලබා ගත නොහැකි විය.ඒත්, අපි විශාලතම ස්වාධීන පරීක්ෂණ ස්ථානය, CDH සිට අසාර්ථකත්වයේ අවස්ථාවන් අධ්යයනය කළ අතර, අපි අනාගතයේදී පරීක්ෂා කළ හැකි අනුමාන නිර්මාණය කිරීමට හැකි විය. අනාගතයේ දී, රෝග වර්ධනයේ විවිධ වේලාවන් නිසා ‘විශාල සංඛ්යාන සංචිතය’ ඇතිවිය හැකි බව අපි පරීක්ෂා කිරීමට සැලසුම් කරමු.We believe that, due to the variety across the 20 sites, this risk may have been mitigated. A feature that would enhance these kinds of large-scale collaboration is the ability to predict the contribution of each client site towards improving the global FL model. This will help in client site selection, and in prioritization of data acquisition and annotation efforts. The latter is especially important given the high costs and difficult logistics of these large-consortia endeavors, and it will enable these endeavors to capture diversity rather than the sheer quantity of data samples. අනාගත ප්රවේශයන් automated hyperparameter searching ඇතුළත් කළ හැකිය Neural Architecture සොයන්න and other automated machine learning සෑම පාරිභෝගික ස්ථානයකටම වඩාත් ඵලදායීව හොඳම පුහුණු ප්රමාණයන් සොයා ගැනීමට ප්රවේශයන්. 55 56 57 Known issues of batch normalization (BN) in FL motivated us to fix our base model for image feature extraction අනාගතය තුළ ක් රියාකාරකම් විවිධ වර්ගයේ ස්ථාවර කිරීමේ තාක්ෂණයන් පර්යේෂණ කිරීමට හැකි වනු ඇත FL හි AI ආකෘති පුහුණු කිරීම වඩාත් ඵලදායී වන විට පාරිභෝගික දත්ත ස්වාධීන නොවන අතර සමාන ලෙස බෙදාහැර ඇත. 58 49 FL සැකසුම් තුළ පෞද්ගලිකත්ව ප් රහාරයන් පිළිබඳ මෑත වැඩ, ආකෘති පුහුණු කාලය තුළ දත්ත ගලවා ගැනීමේ ගැටළු ඇති කර ඇත . Meanwhile, protection algorithms remain underexplored and constrained by multiple factors. While differential privacy algorithms , , show good protection, they may weaken the model’s performance. Encryption algorithms, such as homomorphic encryption , maintain performance but may substantially increase message size and training time. A quantifiable way to measure privacy would allow better choices for deciding the minimal privacy parameters necessary while maintaining clinically acceptable performance , , . 59 36 48 49 60 36 48 49 තවදුරටත් විනිසුරු කිරීමෙන් පසු, අපි රෝගියා සහ ජනගහනය මට්ටමේ අවදානම අගය කිරීමට ක්රමයක් ලෙස ED සැකසුම් තුළ EXAM ආකෘතිය ස්ථාපනය කිරීම සහ රෝගීන් පරීක්ෂා කිරීම සඳහා බොහෝ විට දුෂ්කර කාර්යය සිදු කරන විට වෛද් යවරුන්ට අමතර ප්රවේශ ප්රවේශයක් ලබා දීම සඳහා සැලසුම් කරමු.We also envision using the model as a more sensitive population-level metrics to help balance resources between regions, hospitals and departments.Our hope is that similar FL efforts can break the data silos and allow for faster development of much-neededed AI models in the near future. Methods Ethics approval සෞඛ්ය විද්යාලය විසින් සන්නිවේදනය කරන ලද සියලු ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්රියාකාරී ක්ර Klinical AI Models Reporting Guidelines අනුගමනය කරන ලදී (Supplementary Note) ) 2 Study setting මෙම පර්යේෂණය 20 ආයතනවල දත්ත ඇතුළත් කර ඇත (එළිදරව්. ): MGB, MGH, Brigham and Women’s Hospital, Newton-Wellesley Hospital, North Shore Medical Center and 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 and MAHC and 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; and Mount Sinai Health System in New York. Institutions were recruited between March and May 2020. Dataset curation started in June 2020 and the final data cohort was added in September 2020. Between August and October 2020, 140 independent FL runs were conducted to develop the EXAM model and, by the end of October 2020, EXAM was made public on NVIDIA NGC , , . Data from three independent sites were used for independent validation: CDH, MVH and NCH, all in Massachusetts, USA. These three hospitals had patient population characteristics different from the training sites. The data used for the algorithm validation consisted of patients admitted to the ED at these sites between March 2020 and February 2021, and that satisfied the same inclusion criteria of the data used to train the FL model. 1a 61 62 63 Data collection පාරිභෝගික ස්ථාන 20 කින් මුළුමනින්ම ප්රතිඵලදායික හා ප්රතිඵලදායික ප්රතිඵල 16,148 කින් සූදානම් කර තිබුණේ ආකෘතිය පුහුණු කිරීම, විනිශ්චය කිරීම සහ පරීක්ෂා කිරීම සඳහා ය. පර්යේෂණ ඇතුළත් කිරීමේ ප්රශ්න සපුරාගත් රෝගීන් සම්බන්ධයෙන් වෛද්ය දත්ත ප්රවේශ වී ඇත.Client sites strived to include all COVID-positive cases from the beginning of the pandemic in December 2019 and up to the time they started local training for the EXAM study.All local training had started by 30 September 2020.The sites also included other patients in the same period with negative RT-PCR test results.Since most of the sites had more SARS-COV-2-negative than -positive patients, we limited the number of negative patients included to, at most, 95% of the total cases at each client site. 1B A ‘case’ included a CXR and the requisite data inputs taken from the patient’s medical record. A breakdown of the cohort size of the dataset for each client site is shown in Fig. . The distribution and patterns of CXR image intensity (pixel values) varied greatly among sites owing to a multitude of patient- and site-specific factors, such as different device manufacturers and imaging protocols, as shown in Fig. රෝගියා වයස සහ EMR විශේෂාංග බෙදාහැරීම ස්ථාන අතර විශාල වශයෙන් වෙනස් වූ අතර, ගෝලීය වශයෙන් බෙදාහැරෙන රෝහල් අතර ජනගහනය වෙනස් වීම නිසා බලාපොරොත්තු විය (Extended Data Fig. ). 1b 1c,d 6 රෝගියා ඇතුළත් කිරීමේ ප්රමිතීන් Patient inclusion criteria were: (1) patient presented to the hospital’s ED or equivalent; (2) patient had a RT–PCR test performed at any time between presentation to the ED and discharge from the hospital; (3) patient had a CXR in the ED; and (4) patient’s record had at least five of the EMR values detailed in Table , all obtained in the ED, and the relevant outcomes captured during hospitalization. Of note, The CXR, laboratory results and vitals used were the first available for capture during the visit to the ED. The model did not incorporate any CXR, laboratory results or vitals acquired after leaving the ED. 1 Model input In total, 21 EMR features were used as input to the model. The outcome (that is, ground truth) labels were assigned based on patient requirements after 24- and 72-h periods from initial admission to the ED. A detailed list of the requested EMR features and outcomes can be seen in Table . 1 The distribution of oxygen treatment using different devices at different client sites is shown in Extended Data Fig. , which details the device usage at admission to the ED and after 24- and 72-h periods. The difference in dataset distribution between the largest and smallest client sites can be seen in Extended Data Fig. . 7 8 The number of positive COVID-19 cases, as confirmed by a single RT–PCR test obtained at any time between presentation to the ED and discharge from the hospital, is listed in Supplementary Table . Each client site was asked to randomly split its dataset into three parts: 70% for training, 10% for validation and 20% for testing. For both 24- and 72-h outcome prediction models, random splits for each of the three repeated local and FL training and evaluation experiments were independently generated. 1 විභාග ආකෘති සංවර්ධනය COVID-19 ලක්ෂණ සහිත රෝහල්ගත වන රෝගීන්ගේ ක්රියාකාරී ක්රියාවලිය තුළ විශාල වෙනස්කම් ඇති අතර, සමහර රෝගීන් හුස්මීමේ ක්රියාකාරීත්වය වේගයෙන් නරඹන අතර, hypoxemia වළක්වා ගැනීම හෝ අවම කිරීම සඳහා විවිධ මැදිහත්වීම් අවශ්ය වේ. , ප්රථම ප්රතිකාර ස්ථානයේ හෝ ED හි රෝගියාගේ විනිශ්චය කිරීමේදී කරන ලද ප්රධාන තීරණයක් වන්නේ රෝගියාට වඩාත් ආක්රමණීය හෝ සම්පත් සීමිත ප්රතිපත්තිය හෝ මැදිහත්වීම් අවශ්ය විය හැකිදැයි (එවැනි MV හෝ මොනොක්ලෝනීය ප්රතිකාර) සහ එබැවින් දුර්ලභ නමුත් ඵලදායී ප්රතිකාරයක් ලබා ගත යුතුද, අතුරු ආබාධ නිසා අවම අවදානමක් සහ ප්රතිලාභ අනුපාතයක් ඇති ප්රතිකාරයක් හෝ ඉහළ මට්ටමක ප්රතිකාරයක්, එවැනි ශක්තිමත් ප්රතිකාර අංශයට ඇතුලත් වීමයි. . In contrast, a patient who is at lower risk of requiring invasive oxygen therapy may be placed in a less intensive care setting such as a regular ward, or even released from the ED for continuing self-monitoring at home . EXAM was developed to help triage such patients. 62 63 64 65 මෙම ආකෘතිය මේ වන විට කිසිදු නීතිමය ආයතනයක් විසින් අනුමත නොකළ අතර එය පර්යේෂණ අරමුණු සඳහා පමණක් භාවිතා කළ යුතුය. EXAM score EXAM was trained using FL; it outputs a risk score (termed EXAM score) similar to CORISK (Extended Data Fig. එය රෝගියාගේ ඔක්සිජන් සහාය අවශ්යතා සපුරාලීම සඳහා පැය 24 සහ 72 ක් ඇතුළත භාවිතා කළ හැක. CORISK සහ EXAM ප්රතිඵල රෝගියා තිරගත කිරීම සඳහා භාවිතා කළ හැක්කේ කෙසේද. 27 9A 9B Chest X-ray images were preprocessed to select the anterior position image and exclude lateral view images, and then scaled to a resolution of 224 × 224. As shown in Extended Data Fig. , the model fuses information from both EMR and CXR features (based on a modified ResNet34 with spatial attention pretrained on the CheXpert dataset) Deep & Cross ජාලය මෙම විවිධ දත්ත වර්ගයන් සමන්විත කිරීම සඳහා, සෑම CXR පින්තූරයකින්ම ප්රතිදාන ResNet34 භාවිතා කිරීමෙන් 512-අධි ප්රභේද ප්රභේදයක් සකස් කරන ලදී, එවිට Deep & Cross ජාලය සඳහා ඇතුලත් වීමක් ලෙස EMR ප්රභේදයන් සමඟ සකස් කරන ලදී. අපි අහිමි කිරීමේ ක්රියාකාරකම් ලෙස cross-entropy සහ ‘Adam’ optimizer ලෙස භාවිතා කළා. NVIDIA Clara Train SDK භාවිතා කිරීම ශ්රේණිගත කිරීමේ කාර්යයන් සඳහා මධ්යම AUC (≥LFO, ≥HFO/NIV හෝ ≥MV) ගණනය කර අවසාන විශ්ලේෂණය ප්රමාණයක් ලෙස භාවිතා කරන ලදී, සාමාන්යයෙන් අර්ධ මධ්යස්ථානය හා ඒකක වෙනස්කම් දක්වා. CXR ඡායාරූප නිවැරදි සංඛ්යාව තෝරා ගැනීම සඳහා ප්රතික්රියාත්මක කර ඇති අතර පැතිරෙන දර්ශන ඡායාරූප ඉවත් කිරීම සඳහා, පසුව 224 × 224 (ref. ). 9a 66 67 68 9B 69 70 27 ස්ථාවර කිරීම සහ ස්ථාවර කිරීම A MissForest algorithm was used to impute EMR features, based on the local training dataset. If an EMR feature was completely missing from a client site dataset, the mean value of that feature, calculated exclusively on data from MGB client sites, was used. Then, EMR features were rescaled to zero-mean and unit variance based on statistics calculated on data from the MGB client sites. 71 Deep & Cross ජාලය භාවිතා කිරීමෙන් EMR-CXR දත්ත සංයෝගයේ විස්තර EMR සහ CXR දත්ත වලින් අමුද්රව්ය සංයුක්තය ආකෘති කිරීම සඳහා, Deep & Cross ජාල ආකෘතිය මත පදනම්ව ගැඹුරු අංගයක් පද්ධතිය භාවිතා කර ඇත. . Binary and categorical features for the EMR inputs, as well as 512-dimensional image features in the CXR, were transformed into fused dense vectors of real values by embedding and stacking layers. The transformed dense vectors served as input to the fusion framework, which specifically employed a crossing network to enforce fusion among input from different sources. The crossing network performed explicit feature crossing within its layers, by conducting inner products between the original input feature and output from the previous layer, thus increasing the degree of interaction across features. At the same time, two individual classic deep neural networks with several stacked, fully connected feed-forward layers were trained. The final output of our framework was then derived from the concatenation of both classic and crossing networks. 68 FL details Arguably the most established form of FL is implemention of the federated averaging algorithm as proposed by McMahan et al. , හෝ එහි වෙනස්කම්. මෙම ආකෘතිය සෑම සහභාගී වෙබ් අඩවියකටම සේවාදායකයක් ලෙස ක්රියාත්මක වන පාරිභෝගික ස්ථාපනය භාවිතා කිරීමෙන් සැබෑ කර ගත හැකිය. එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් එක් ). 72 9c A pseudoalgorithm of FL is shown in අතිරේක සටහන අපේ අත්හදා බැලීම් වලදී, අපි federated rounds ගණන තීරණය කළා. = 200, ප්රදේශීය පුහුණු යුගයකට එක් at each client. The number of clients, , පරිශීලකයන්ගේ ජාල සම්බන්ධතාවය හෝ නිශ්චිත ඉලක්ක ප්රතිඵල කාලය සඳහා ලබා ගත හැකි දත්ත මත පදනම්ව 20 දක්වා විය (24 හෝ 72 පැය). , සෑම පාරිභෝගිකයාගේ දත්ත සමුදාය ප්රමාණය මත පදනම් වේ and is used to weigh each client’s contributions when aggregating the model weights in federated averaging. During the FL training task, each client site selects its best local model by tracking the model’s performance on its local validation set. At the same time, the server determines the best global model based on the average validation scores sent from each client site to the server after each FL round. After FL training finishes, the best local models and the best global model are automatically shared with all client sites and evaluated on their local test data. 1 T t K nk k දේශීය දත්ත මත පමණක් පුහුණු කරන විට (උදාහරණයට අනුව), අපි යුග සංඛ්යාව 200 ලෙස සකස් කර ඇත.Adam optimizer භාවිතා කර ඇත්තේ දේශීය පුහුණු හා FL දෙකම සඳහා 5 × 10-5 හි ආරම්භක අධ්යාපන ප්රතිශතය සහ එක් එක් එක් එක් 40 යුගයක් පසු පියවරක අධ්යාපන ප්රතිශතය 0.5 හි කඩා වැටීම සමඟ, එය ෆෙඩරෙට් මධ්යම සංසන්දනය සඳහා වැදගත් වේ. රූගත කිරීම්, පරිවර්තනය, කැපීම, පුළුල් කිරීම සහ අසාමාන්ය ශක්තිය ශබ්ද සහ මාරු ඇතුළු අසාමාන්ය affine පරිවර්තනය, පුහුණු කාලය තුළ දත්ත වැඩිදියුණු කිරීම සඳහා පින්තූර වලට යෙදුණේ. 73 Owing to the sensitivity of BN layers when dealing with different clients in a nonindependent and identically distributed setting, we found the best model performance occurred when keeping the pretrained ResNet34 with spatial attention parameters fixed during FL training (that is, using a learning rate of zero for those layers). The Deep & Cross network that combines image features with EMR features does not contain BN layers and hence was not affected by BN instability issues. 58 47 In this study we investigated a privacy-preserving scheme that shares only partial model updates between server and client sites. The weight updates were ranked during each iteration by magnitude of contribution, and only a certain percentage of the largest weight updates was shared with the server. To be exact, weight updates (also known as gradients) were shared only if their absolute value was above a certain percentile threshold, (t) (Extended Data Fig. ), which was computed from all non-zero gradients, Δ , and could be different for each client in each FL round මෙම සැලැස්මයේ වෙනස්කම් විශාල පරාසයන් හෝ වෙනස් පෞද්ගලිකත්වය සැලැස්ම සඳහා අතිරේක කැපීම ඇතුළත් විය හැකිය. එමගින් ජාලයට ඇතුළත් වීමට පෙර gradients, හෝ පවා Raw දත්ත සඳහා අසාමාන්ය ශබ්ද එකතු කරයි. . k 5 ටී (T) k t 49 51 Statistical analysis We conducted a Wilcoxon signed-rank test to confirm the significance of the observed improvement in performance between the locally trained model and the FL model for the 24- and 72-h time points (Fig. and Extended Data Fig. ). The null hypothesis was rejected with one-sided 1 × 10–3 සෑම අවස්ථාවකදීම 2 1 P ප් රචණ්ඩත්වය සිදුවේ, නමුත් අපි පාපයට එරෙහිව ශුද්ධ විනිශ්චය සහ අපි පුද්ගලිකව අකමැති අයට එරෙහි වන පුරපැම අතර වෙනස අප හඳුනාගත යුතුය, එය උඩඟුකමේ අනිවාර්ය ප් රතිපලයයි ( = 0.43, = 0.035, degrees of freedom (df) = 17 for the 24-h model and = 0.62, = 0.003, df = 16 72-h ආකෘතිය සඳහා).මේ අනුව දත්ත සමුදාය ප්රමාණය පමණක් ආකෘතියගේ දත්ත නොපෙනෙන බව තීරණය කරන එකම සාධකය නොවේ. r P r P To compare ROC curves from the global FL model and local models trained at different sites (Extended Data Fig. ), we bootstrapped 1,000 samples from the data and computed the resulting AUCs. We then calculated the difference between the two series and standardized using the formula = (AUC1 – AUC2)/ , where සාමාන් ය වෙනස තමයි, AUC1 සහ AUC2 යනු bootstrapped AUC සංකේතය වන අතර AUC1 සහ AUC2 යනු bootstrapped AUC සංකේතයයි. සාමාන් ය බෙදාහැරීමේදී අපට ලැබුණේ values illustrated in Supplementary Table . The results show that the null hypothesis was rejected with very low ප් රචණ්ඩත්වය සිදුවේ, නමුත් අපි පාපයට එරෙහිව ශුද්ධ විනිශ්චය සහ අපි පුද්ගලිකව අකමැති අයට එරෙහි වන පුරපැම අතර වෙනස අප හඳුනාගත යුතුය, එය උඩඟුකමේ අනිවාර්ය ප් රතිපලයයි. අගය R හි pROC පුස්තකාලය සමඟ සිදු කරන ලදී . 3 D s D s D P 2 P P 74 මෙම ආකෘතිය නිශ්ශබ්ද ප්රතිඵල, 0 සිට 1 දක්වා දිගු ලකුණු අනාවැකි නිසා, qqplot වැනි සරල calibration evaluation නොහැකි ය.Therefore, for a quantified estimate of calibration we quantified discrimination (Extended Data Fig. ). We conducted one-way analysis of variation (ANOVA) tests to compare local and FL model scores among four ground truth categories (RA, LFO, HFO, MV). The -statistic, සංකේතය අතර වෙනසක් ලෙස ගණනය කරන ලදී සංකේතය තුළ වෙනසක් හා විවිධ කණ්ඩායම් අතර ප්රතිසංස්කරණ මට්ටම ප්රදර්ශනය කරන ලදී.අපේ ප්රතිඵල පෙන්වයි විවිධ දේශීය ස්ථාන පහක අගය 245.7, 253.4, 342.3, 389.8 සහ 634.8 වන අතර FL ආකෘතියේ අගය 843.5 වේ. -values mean that groups are more separable, our FL model scores clearly show a greater dispersion between the four ground truth categories. FL ආකෘතිය මත ANOVA පරීක්ෂණයේ අගය <2 × 10–16 වේ, එය විවිධ අනාවැකි පන්ති අතර FL අනාවැකි ලකුණු සංඛ්යාත වශයෙන් වැදගත් වෙනස් බව පෙන්වයි. 10 F F F P වාර්තාව මුළුමනින් පර්යේෂණ සැලැස්ම පිළිබඳ වැඩි විස්තර ලබා ගත හැක මෙම ලිපිය සමඟ සබැඳි ස්වභාවික පර්යේෂණ වාර්තාව Data availability මෙම පර්යේෂණයට සහභාගී වූ 20 ආයතනයේ දත්ත සමුදාය ඔවුන්ගේ වගකීම යටතේ ඉතිරිව ඇත. මෙම දත්ත දේශීය ස්ථාන සෑම තැනකදීම පුහුණු කිරීම සඳහා භාවිතා කර ඇති අතර, අනෙකුත් සහභාගී ආයතනයේ හෝ ෆෙඩරැට් සේවාදායකය සමඟ බෙදාහැර නොගනු ලැබේ, ඔවුන් ප්රකාශයට ලබා ගත නොහැක. ස්වාධීන සහතික කිරීමේ ස්ථාන වලින් දත්ත CAMCA විසින් තබා ගත හැකි අතර, ප්රවේශය Q.L සමඟ සම්බන්ධ විය හැකිය. CAMCA විසින් තීරණය කිරීම මත පදනම්ව, පර්යේෂණ අරමුණු සඳහා IRB පිළිබඳ දත්ත බෙදාහැරීමේ සමාලෝචන සහ වෙනස් කිරීම MGB පර්යේෂණ පරිපාලනය විසින් සිදු කළ හැකි අතර MGB IRB සහ ප්රතිපත්තිය අනුව. Code availability මෙම අධ්යයනය තුළ භාවිතා කරන සියලුම කේතය සහ මෘදුකාංගය NGC හි ප්රකාශයට ලබා ගත හැකිය. ප්රකාශයට පිවිසීමට, ආරාධනා කිරීමට හෝ ප්රවේශයක් නිර්මාණය කිරීම සඳහා පහත දැක්වෙන URL එකක් ඇතුළත් කරන්න. : ෆෙඩරෙට් ඉගැන්වීමේ මෘදුකාංගය Clara Train SDK කොටසක් ලෙස ලබා ගත හැකිය: විකල්පයක් ලෙස, මෙම නියෝගය භාවිතා කරන්න "wget --content-disposition" ආකෘතිය බාගත කරන්න. විභාගයට යැපෙන ප් රතිපත්තිය (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 සබැඳි 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 අනුමැතිය මෙම අධ්යයනය තුළ ප්රකාශ කරන ලද පාරිභෝගික දත්ත දෙපාර්තමේන්තුව විසින් මෙම අධ්යයනය තුළ ප්රකාශ කරන ලද ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශ ප්රවේශකරුවන් වන අතර, NHS, NIHR, සෞඛ්ය සහ සමාජ රැකියා දෙපාර්තමේන්තුව හෝ අධ්යයනයන් සමඟ සම්බන්ධ වන ඕනෑම සංවිධානයක් හරහා ප්රකාශ කරන ලද ප්රවේශ ප්රවේශ ප්රවේශකරුවන් වේ. MGB ඔවුන්ගේ සහාය සඳහා පහත සඳහන් පුද්ගලයින් ස්තුති කරයි: J. Brink, රේඩෝගික දෙපාර්තමේන්තුව, මැසට්සට්සෙස් General Hospital, Harvard Medical School, Boston, MA; N. Guo, Advanced Medical Computing and Analysis Center, Massachusetts General Hospital, Harvard Medical School, Boston, MA අධ්ය වෛද්ය විද්යාලය හරහා Chulalongkorn විශ්ව විද්යාලය Ratchadapisek Sompoch Endowment Fund RA (PO) (No. 001/63) විසින් COVID-19 සම්බන්ධ විද්යාත්මක දත්ත සහ විද්යාත්මක සාම්පල රැස්වීම සහ කළමනාකරණය කිරීම සඳහා වෛද්ය විද්යාලය Chulalongkorn විශ්ව විද්යාලය Chulalongkorn විශ්ව විද්යාලය සඳහා වෛද්ය විද්යාලය Chulalongkorn විශ්ව විද්යාලය. NIHR Cambridge Biomedical Research Centre ස්තුති NIHR (Cambridge University Hospitals NHS Foundation Trust හි විද්යාත්මක විද්යාල පර්යේෂණ මධ්යස්ථානය). National Taiwan University MeDA Lab and the MAHC and Taiwan National Health Insurance Administration thank the MOST Joint Research Center for AI technology, All Vista Healthcare National Health Insurance https://data.ucsf.edu/covid19 This paper is under CC by 4.0 Deed (Attribution 4.0 International) license. available on nature This paper is CC by 4.0 Deed (Attribution 4.0 International) බලපත් ර යටතේ. ස්වභාවයෙන් ලබා ගත හැකි
