3편의 한국어 분석 — 최신순으로 정렬했어요
의료 머신러닝에서 데이터셋은 종종 중복되거나 관련 없는 특징을 포함하므로, 특징 선택은 필수적인 전처리 단계입니다. 래퍼 기반 특징 선택에 메타휴리스틱 알고리즘이 유망한 결과를 보였지만, 조기 수렴 및 탐색 불안정성으로 인해 효과가 제한될 수 있습니다. 본 연구는 개체군 전이 전략을 기반으로 하는 의료 특징 선택을 위한 순차적 하이브리드 프레임워크를 제안합니다. 제안된 프레임워크는 세 가지 탐색 지향 메타휴리스틱(PSO, HHO, BSO)과 이진 Al-Biruni Earth Radius(bABER) 알고리즘을 통합합니다. 최적화 …
다중 모드 헬스케어 예측은 정형화된 전자의무기록, 의료 영상, 그리고 관련 메타데이터를 통합하여 정확도를 높일 수 있습니다. 그러나 이러한 모달리티들은 환자별로 불완전하게 관측되거나 임상 현장마다 불균등하게 분포하는 문제가 있습니다. 연합 학습은 환자 기록을 중앙 집중화하지 않고도 협력적인 모델 훈련을 가능하게 하지만, 클라이언트별 모달리티 가용성, 업데이트 신뢰성, 데이터 분포의 이질성으로 인해 프라이버시를 보존하는 최적화는 여전히 어렵습니다. 본 연구는 부분적으로 관측된 다중 모드 헬스케어 예측을 위한 모달리티 인지 차등 프라…
연합 학습(FL)은 여러 장치나 기관이 로컬 데이터를 공유하지 않고도 기계 학습(ML) 모델을 공동으로 훈련할 수 있게 하는 접근 방식입니다. 이는 환자 건강 데이터를 활용한 의료 ML 모델 훈련의 윤리적 난제를 극복할 유망한 방법으로 주목받고 있습니다. 본 연구는 헬스케어 분야에서 FL의 잠재력을 윤리적 관점에서 탐구합니다. 의료 FL은 '연합 불투명성'이라는 새로운 형태의 불투명성을 야기한다고 주장합니다. 이는 이해관계자들이 모델 훈련에 사용된 데이터에 접근, 분석 또는 관리할 수 없게 만듭니다. 이러한 불투명성은 의료 ML의…
