跳转到主要内容

#联邦学习

2 篇

与"联邦学习"相关的眼科资讯

学术研究

联邦学习与大语言模型在眼科临床实体识别中的比较研究

临床命名实体识别（NER）是提取临床文本中结构化数据的关键技术，但跨机构的模型泛化能力一直是个难题。本研究对比了两种方法：联邦学习（FL）和大语言模型（LLM）。通过在斯坦福大学（美国）和莫菲尔德眼科医院（英国）的眼科记录中提取视力数据，使用基于BERT的模型、FL策略（FedAvg, STWT）和LLM（Llama-3-70B, Mixtral-8x7B）进行评估。结果显示，联邦学习显著提高了模型的泛化能力，其中STWT在稳定性和准确性上优于FedAvg。而大语言模型在莫菲尔德数据上表现优异，但在结构化的斯坦福数据上表现不佳。这些发现突显了联邦学习在跨机构学习中的有效性，同时也揭示了大语言模型在特定领域内的局限性。

#联邦学习#大语言模型#眼科临床实体识别
PubMed Ophthalmology #1/2
READ
学术研究

联邦学习框架助力隐私保护与AI驱动的临床决策

该研究提出了一种新的联邦深度学习（FDL）框架，旨在解决传统集中式学习在患者数据隐私、数据异质性和泛化能力方面的局限。通过结合Vision Transformers和DINOv2自监督学习，该框架能够在缺乏大量标注数据的情况下实现有效的表示学习。此外，该系统还利用联邦自监督学习（FedSSL）和FedProx技术，确保在非独立同分布数据环境中的个性化模型更新。隐私保护方面，该框架采用了差分隐私机制和椭圆曲线加密技术。为了提高临床透明度和可解释性，该系统还集成了Grad-CAM和LIME等技术。实验结果表明，该方法在肺结核、糖尿病视网膜病变和脑肿瘤诊断任务中表现出色。

#人工智能#联邦学习#隐私保护
PubMed Ophthalmology #2/2
READ