专栏首页arxiv.org翻译专栏基于联邦迁移学习和可解释人工智能的心电监护保健系统设计(CS)

基于联邦迁移学习和可解释人工智能的心电监护保健系统设计(CS)

深度学习在利用心电图(ECG)数据对不同心律失常进行分类方面起着至关重要的作用。然而,训练深度学习模型通常需要大量的数据,这可能会导致隐私问题。不幸的是,无法从单个竖井轻松收集大量医疗保健数据。此外,深度学习模型就像黑盒,无法解释预测结果,这在临床医疗保健中往往是必需的。这限制了深度学习在现实世界卫生系统中的应用。在本文中,我们设计了一种新的基于可解释人工智能(XAI)的深度学习框架,用于基于心电图的医疗保健应用。联邦设置用于解决数据可用性和隐私等问题。此外,提出的框架设置有效地分类心律失常使用自动编码器和分类器,两者都基于卷积神经网络(CNN)。此外,我们还在所提出的分类器之上提出了一个基于xai的模块来解释分类结果,从而帮助临床医生快速、可靠地做出决策。使用MIT-BIH心律失常数据库对提议的框架进行了训练和测试。该分类器在使用噪声数据和干净数据的心律失常检测中分别达到94%和98%的准确率,并通过5倍交叉验证。

原文题目:Designing ECG Monitoring Healthcare System with Federated Transfer Learning and Explainable AI

原文:Deep learning play a vital role in classifying different arrhythmias using the electrocardiography (ECG) data. Nevertheless, training deep learning models normally requires a large amount of data and it can lead to privacy concerns. Unfortunately, a large amount of healthcare data cannot be easily collected from a single silo. Additionally, deep learning models are like black-box, with no explainability of the predicted results, which is often required in clinical healthcare. This limits the application of deep learning in real-world health systems. In this paper, we design a new explainable artificial intelligence (XAI) based deep learning framework in a federated setting for ECG-based healthcare applications. The federated setting is used to solve issues such as data availability and privacy concerns. Furthermore, the proposed framework setting effectively classifies arrhythmia's using an autoencoder and a classifier, both based on a convolutional neural network (CNN). Additionally, we propose an XAI-based module on top of the proposed classifier to explain the classification results, which help clinical practitioners make quick and reliable decisions. The proposed framework was trained and tested using the MIT-BIH Arrhythmia database. The classifier achieved accuracy up to 94% and 98% for arrhythmia detection using noisy and clean data, respectively, with five-fold cross-validation.

原文链接:https://arxiv.org/abs/2105.12497

原文作者:Ali Raza, Kim Phuc Tran, Ludovic Koehl, Shujun Li

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 杨强:应对对抗攻击、结合AutoML,是联邦学习接下来的研究重点| CCF-GAIR 2020

    8月7日-8月9日,2020年全球人工智能和机器人峰会(简称“CCF-GAIR 2020”)在深圳如期举办!CCF-GAIR由中国计算机学会(CCF)主办,香港...

    AI科技评论
  • 论文扫读-隐私保护+机器学习系列05

    https://baijiahao.baidu.com/s?id=1632887716655389243&wfr=spider&for=pc

    安包
  • 联邦学习,究竟能为大数据行业带来何种可能?

    没有哪一项技术像人工智能一样,绵延数十年,引领数次风口。从60年前的达特茅斯会议到深蓝国际象棋再到AlphaGo,人工智能一直在持续着迭代、创新。联邦学习,就是...

    TVP官方团队
  • 机器之心专访杨强教授:联邦迁移学习与金融领域的AI落地

    7 月 21 日、22 日,由 KDD China 主办,西南交通大学和京东金融承办的 KDD Summer School 暨 KDD Pre-Conferen...

    机器之心
  • 首部全面、系统的联邦学习专著,杨强教授领衔撰写,《联邦学习》教你打破数据孤岛

    最近一段时间,某银行向「大客户」泄露用户银行流水的新闻引发了热烈讨论。对此,央视新闻点评道,「别把用户信息扔出池子」。「如果轻易将用户信息扔出池子,那任何企业和...

    机器之心
  • 破解数据孤岛壁垒,三篇论文详细解读联邦学习

    AI 科技评论按:香港科技大学讲席教授、微众银行首席人工智能官(CAIO)杨强教授是机器学习领域内活动积极的学者,也是大家非常熟悉的机器学习研究人员之一。

    AI科技评论
  • 联邦学习诞生1000天的真实现状丨万字长文

    从“自给自足”的To C模式,到企业之间互联互通的To B模式,再到金融、医疗、安防全场景应用的过程。

    AI科技评论
  • 平安科技王健宗:所有AI前沿技术,都能在联邦学习中大展身手

    今天,我们来聊聊联邦学习(Federated Learning)。人工智能和大数据领域的人对于这个新兴词汇一定不陌生,但关于这个连名字都有多种叫法的技术(联邦学...

    AI科技大本营
  • 怎样扩充大数据?你需要了解的第一个联邦学习开源框架FATE

    近日,微众银行将联邦学习开源框架 FATE(Federated AI Technology Enabler)贡献给 Linux 基金会,并希望通过多方维护令该项...

    机器之心

扫码关注云+社区

领取腾讯云代金券