Araştırma Makalesi
BibTex RIS Kaynak Göster

Medikal Verilerin Sınıflandırılmasında Federe Öğrenme

Yıl 2023, Cilt: 39 Sayı: 3, 548 - 570, 31.12.2023

Öz

Medikal verilerin sınıflandırılması ve analizi, çeşitli sağlık sorunlarının tanısında ve tedavisinde önemli bir rol oynar. Medikal veriler, içerdikleri hassas bilgiler nedeniyle özel güvenlik önlemlerine gereksinim duyarlar. Bu nedenle, veri paylaşımı olmadan model eğitimi işlemlerinin uç noktalarda gerçekleştirilmesini, veri paylaşımı yerine model parametrelerinin paylaşılmasını ve güncellenmesini sağlayan federe öğrenme yaklaşımları kullanılır. Bu sayede, veriler merkezi bir sunucuda toplanmadığından ve paylaşılmadığından, gizlilik riskleri azalır. Bir federe öğrenme yaklaşımı olan FedAvg, katılan tüm uç noktaların yerel model parametrelerinin ortalamasını alarak küresel modeli günceller. Ancak bu yöntemde, uç noktalar farklı model performanslarına sahip olduğunda yakınsama süresi ve performansı etkileyen sınırlamalar ortaya çıkar. Bu çalışmada bu sınırlamaları ortadan kaldırmak için en yüksek yerel model test doğruluğuna sahip uç noktanın yerel model parametrelerini kullanarak küresel modeli güncelleyen FedBest isimli bir yaklaşım önerilmiştir. Önerilen FedBest yaklaşımı ile FedAvg yaklaşımının performansları BloodMNIST, PathMNIST ve DermaMNIST veri setleri üzerinde kıyaslanmıştır. Deneylerden elde edilen sonuçlara göre, FedAvg’nin medikal sınıflandırmada başarılı olduğu ancak FedBest algoritmasının, daha yüksek doğruluk oranlarına ve daha hızlı bir yakınsamaya sahip olduğu görülmüştür.

Kaynakça

  • [1] Büyüknacar, Yavuz Canbay-Yaşar. "Federe öğrenme ve veri mahremiyeti." Akademik Bilişim Konferansı. 2019.
  • [2] Zhang, W., Zhou, T., Lu, Q., Wang, X., Zhu, C., Sun, H., ... & Wang, F. Y. (2021). Dynamic-fusion-based federated learning for COVID-19 detection. IEEE Internet of Things Journal, 8(21), 15884-15891.
  • [3] Odera, David. "Federated learning and differential privacy in clinical health: Extensive survey." (2023).
  • [4] Sheller, M. J., Reina, G. A., Edwards, B., Martin, J., & Bakas, S. (2019). Multi-institutional deep learning modeling without sharing patient data: A feasibility study on brain tumor segmentation. In Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries: 4th International Workshop, BrainLes 2018, Held in Conjunction with MICCAI 2018, Granada, Spain, September 16, 2018, Revised Selected Papers, Part I 4 (pp. 92-104). Springer International Publishing
  • [5] Yoo, J. H., Jeong, H., Lee, J., & Chung, T. M. (2022). Open problems in medical federated learning. International Journal of Web Information Systems, 18(2/3), 77-99.
  • [6] Wibawa, F., Catak, F. O., Sarp, S., & Kuzlu, M. (2022). BFV-Based Homomorphic Encryption for PrivacyPreserving CNN Models. Cryptography, 6(3), 34.
  • [7] Farhad, Arshad, Sandra I. Woolley, and Peter Andras. "A Preliminary Scoping Study of Federated Learning for the Internet of Medical Things." Studies in Health Technology and Informatics 281 (2021): 504-505.
  • [8] Zhao, Leiyang, and Jianjun Huang. "A distribution information sharing federated learning approach for medical image data." Complex & Intelligent Systems (2023): 1-12.
  • [9] Sohan, Md Fahimuzzman, and Anas Basalamah. "A Systematic Review on Federated Learning in Medical Image Analysis." IEEE Access (2023).
  • [10] Yi, Hang, Tongxuan Bie, and Tongjiang Yan. "Framework Construction of an Adversarial Federated Transfer Learning Classifier." arXiv preprint arXiv:2211.04734 (2022).
  • [11] Nazir, Sajid, and Mohammad Kaleem. "Federated Learning for Medical Image Analysis with Deep Neural Networks." Diagnostics 13.9 (2023): 1532.
  • [12] Brendan McMahan, Eider Moore, Daniel Ramage, Seth Hampson, and Blaise Aguera y Arcas, ¨ “Communication-efficient learning of deep networks from decentralized data,” in Proceedings of the 20th International Conference on Artificial Intelligence and Statistics, AISTATS 2017, 20-22 April 2017, Fort Lauderdale, FL, USA, Aarti Singh and Xiaojin (Jerry) Zhu, Eds. 2017, vol. 54 of Proceedings of Machine Learning Research, pp. 1273–1282, PMLR.
  • [13] Reza Shokri and Vitaly Shmatikov, “Privacy-preserving deep learning,” in Proceedings of the 22Nd ACM SIGSAC Conference on Computer and Communications Security, New York, NY, USA, 2015, CCS ’15, pp. 1310– 1321, ACM.
  • [14] Martin Abadi, Andy Chu, Ian Goodfellow, Brendan McMahan, Ilya Mironov, Kunal Talwar, and Li Zhang. Deep learning with differential privacy. In 23rd ACM Conference on Computer and Communications Security (ACM CCS), 2016.
  • [15] McMahan, B., Moore, E., Ramage, D., Hampson, S., & y Arcas, B. A. (2017, April). Communication-efficient learning of deep networks from decentralized data. In Artificial intelligence and statistics (pp. 1273-1282). PMLR.
  • [16] Behavioral Informatics & Interaction Computation Lab (BIIC) https://biic.ee.nthu.edu.tw/blogdetail.php?id=2 (Erişim Tarihi: 14.06.2023).
  • [17] Lee, Hagyeong, and Jongwoo Song. "Introduction to convolutional neural network using Keras; an understanding from a statistician." Communications for Statistical Applications and Methods 26.6 (2019): 591-610.
  • [18] Yang, J., Shi, R., Wei, D., Liu, Z., Zhao, L., Ke, B., ... & Ni, B. (2023). MedMNIST v2-A large-scale lightweight benchmark for 2D and 3D biomedical image classification. Scientific Data, 10(1), 41.
Toplam 18 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Derin Öğrenme, Veri ve Bilgi Gizliliği
Bölüm Makaleler
Yazarlar

Beyza Nur Akşit

Bahriye Baştürk Akay

Adam Slowık

Erken Görünüm Tarihi 31 Aralık 2023
Yayımlanma Tarihi 31 Aralık 2023
Yayımlandığı Sayı Yıl 2023 Cilt: 39 Sayı: 3

Kaynak Göster

APA Akşit, B. N., Baştürk Akay, B., & Slowık, A. (2023). Medikal Verilerin Sınıflandırılmasında Federe Öğrenme. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 39(3), 548-570.
AMA Akşit BN, Baştürk Akay B, Slowık A. Medikal Verilerin Sınıflandırılmasında Federe Öğrenme. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi. Aralık 2023;39(3):548-570.
Chicago Akşit, Beyza Nur, Bahriye Baştürk Akay, ve Adam Slowık. “Medikal Verilerin Sınıflandırılmasında Federe Öğrenme”. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 39, sy. 3 (Aralık 2023): 548-70.
EndNote Akşit BN, Baştürk Akay B, Slowık A (01 Aralık 2023) Medikal Verilerin Sınıflandırılmasında Federe Öğrenme. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 39 3 548–570.
IEEE B. N. Akşit, B. Baştürk Akay, ve A. Slowık, “Medikal Verilerin Sınıflandırılmasında Federe Öğrenme”, Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, c. 39, sy. 3, ss. 548–570, 2023.
ISNAD Akşit, Beyza Nur vd. “Medikal Verilerin Sınıflandırılmasında Federe Öğrenme”. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 39/3 (Aralık 2023), 548-570.
JAMA Akşit BN, Baştürk Akay B, Slowık A. Medikal Verilerin Sınıflandırılmasında Federe Öğrenme. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi. 2023;39:548–570.
MLA Akşit, Beyza Nur vd. “Medikal Verilerin Sınıflandırılmasında Federe Öğrenme”. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, c. 39, sy. 3, 2023, ss. 548-70.
Vancouver Akşit BN, Baştürk Akay B, Slowık A. Medikal Verilerin Sınıflandırılmasında Federe Öğrenme. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi. 2023;39(3):548-70.

✯ Etik kurul izni gerektiren, tüm bilim dallarında yapılan araştırmalar için etik kurul onayı alınmış olmalı, bu onay makalede belirtilmeli ve belgelendirilmelidir.
✯ Etik kurul izni gerektiren araştırmalarda, izinle ilgili bilgilere (kurul adı, tarih ve sayı no) yöntem bölümünde, ayrıca makalenin ilk/son sayfalarından birinde; olgu sunumlarında, bilgilendirilmiş gönüllü olur/onam formunun imzalatıldığına dair bilgiye makalede yer verilmelidir.
✯ Dergi web sayfasında, makalelerde Araştırma ve Yayın Etiğine uyulduğuna dair ifadeye yer verilmelidir.
✯ Dergi web sayfasında, hakem, yazar ve editör için ayrı başlıklar altında etik kurallarla ilgili bilgi verilmelidir.
✯ Dergide ve/veya web sayfasında, ulusal ve uluslararası standartlara atıf yaparak, dergide ve/veya web sayfasında etik ilkeler ayrı başlık altında belirtilmelidir. Örneğin; dergilere gönderilen bilimsel yazılarda, ICMJE (International Committee of Medical Journal Editors) tavsiyeleri ile COPE (Committee on Publication Ethics)’un Editör ve Yazarlar için Uluslararası Standartları dikkate alınmalıdır.
✯ Kullanılan fikir ve sanat eserleri için telif hakları düzenlemelerine riayet edilmesi gerekmektedir.