Deteksi Dini COVID-19 yang Sadar Privasi melalui Pelatihan Adversarial
Uncategorized

Deteksi Dini COVID-19 yang Sadar Privasi melalui Pelatihan Adversarial

Saat ini, tes standar emas untuk mendiagnosis COVID-19 adalah swab nasofaring PCR. Namun, itu relatif mahal dan memiliki waktu penyelesaian yang lambat.

Dimungkinkan untuk mendeteksi COVID-19 dengan menganalisis tes darah dan tanda-tanda vital pasien.

Dimungkinkan untuk mendeteksi COVID-19 dengan menganalisis tes darah dan tanda-tanda vital pasien. Kredit gambar: Raimond Spekking melalui Wikimedia, CC BY-SA 4.0

Sebuah makalah baru-baru ini yang diterbitkan di arXiv.org mengusulkan dua model yang dilatih secara berlawanan untuk tugas memprediksi hasil tes COVID-19 berdasarkan tes darah dan tanda-tanda vital yang dikumpulkan secara rutin.

Pendekatan ini menggunakan data klinis yang biasanya tersedia dalam waktu 1 jam dan mengurangi kebutuhan akan peralatan khusus. Penggunaan regularisasi permusuhan membuat metode ini kuat terhadap kebocoran informasi sensitif dan serangan permusuhan. Selain itu, arsitektur permusuhan mencegah model pembelajaran dari kemungkinan pengkodean bias demografis yang tidak diinginkan. Juga, metode ini memungkinkan pembelajaran tambahan dan dengan demikian tidak memerlukan pelatihan ulang yang lengkap jika data baru tersedia.

Kedua model yang diusulkan mencapai kinerja yang serupa atau superior dibandingkan dengan baseline non-permusuhan.

Deteksi dini COVID-19 adalah bidang penelitian berkelanjutan yang dapat membantu triase, pemantauan, dan penilaian kesehatan umum pasien potensial dan dapat mengurangi beban operasional di rumah sakit yang menangani pandemi virus corona. Teknik pembelajaran mesin yang berbeda telah digunakan dalam literatur untuk mendeteksi virus corona menggunakan data klinis rutin (tes darah, dan tanda-tanda vital). Pelanggaran data dan kebocoran informasi saat menggunakan model ini dapat membawa kerusakan reputasi dan menyebabkan masalah hukum bagi rumah sakit. Meskipun demikian, melindungi model perawatan kesehatan dari kebocoran informasi yang berpotensi sensitif adalah area penelitian yang belum banyak dipelajari. Dalam karya ini, kami memeriksa dua pendekatan pembelajaran mesin, yang dimaksudkan untuk memprediksi status COVID-19 pasien menggunakan data klinis yang dikumpulkan secara rutin dan tersedia. Kami menggunakan pelatihan permusuhan untuk mengeksplorasi arsitektur pembelajaran mendalam yang kuat yang melindungi atribut yang terkait dengan informasi demografis tentang pasien. Dua model yang kami periksa dalam pekerjaan ini dimaksudkan untuk menjaga informasi sensitif terhadap serangan permusuhan dan kebocoran informasi. Dalam serangkaian percobaan menggunakan dataset dari Oxford University Hospitals, Bedfordshire Hospitals NHS Foundation Trust, University Hospitals Birmingham NHS Foundation Trust, dan Portsmouth Hospitals University NHS Trust, kami melatih dan menguji dua jaringan saraf yang memprediksi hasil tes PCR menggunakan informasi dari darah laboratorium dasar tes, dan tanda-tanda vital yang dilakukan pada saat kedatangan pasien ke rumah sakit. Kami menilai tingkat privasi yang dapat diberikan oleh masing-masing model dan menunjukkan kemanjuran dan kekokohan arsitektur yang kami usulkan terhadap dasar yang sebanding. Salah satu kontribusi utama kami adalah bahwa kami secara khusus menargetkan pengembangan model deteksi COVID-19 yang efektif dengan mekanisme bawaan untuk secara selektif melindungi atribut sensitif dari serangan permusuhan.

Makalah penelitian: Rohanian, O., “Deteksi Dini Sadar Privasi COVID-19 melalui Pelatihan Adversarial”, 2021. Tautan: https://arxiv.org/abs/2201.03004



Posted By : togel hongkon