抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
COVID-19の早期検出は,潜在的患者のトリアージ,モニタリングおよび一般的健康評価を助けることができる研究進行中の領域であり,コロナウイルスパンデミックに対処する病院における手術株を減少させる可能性がある。ルーチンの臨床データ(血液検査,およびバイタルサイン)を用いてコロナウイルスを検出するために,異なる機械学習技術が文献で使用されている。これらのモデルを使用するときのデータ漏洩と情報漏洩は,評判的損害をもたらし,病院の法的問題を引き起こす。これにもかかわらず,潜在的に敏感な情報の漏洩に対するヘルスケアモデルの保護は,研究領域不足である。本研究では,日常的に収集され,容易に利用可能な臨床データを用いて患者のCOVID-19状態を予測することを意図した2つの機械学習アプローチを検討した。著者らは,患者についての人口統計学的情報に関連する属性を保護するロバストな深層学習アーキテクチャを探索するために,敵対訓練を採用した。本研究で調べた2つのモデルは,敵対攻撃と情報漏洩に対する敏感な情報を保存することを意図する。Oxford大学病院からのデータセットを用いた一連の実験において,Bedfordshire病院NHS Foundation Trust,大学病院Birmingham NHS Foundation Trust,およびPortsmout Hospital University NHS Trustは,基本的な実験室血液検査からの情報を用いてPCR試験結果を予測する2つのニューラルネットワークを訓練し,試験して,病院への患者の到着に関して実行したバイタルサインを訓練し,試験する。プライバシーのレベルを評価し,比較基準に対して提案したアーキテクチャの有効性とロバスト性を提供でき,示すことができる。著者らの主な貢献の一つは,敵対攻撃に対する敏感な属性を選択的に保護するために,ビルトインメカニズムによる効果的なCOVID-19検出モデルの開発を特に目標とすることである。【JST・京大機械翻訳】