Federated auto-encoder and XGBoost schemes for multi-omics cancer detection in distributed fog computing paradigm

https://www.sciencedirect.com/science/article/abs/pii/S016974392300182X

本研究の学術的背景や問いは、デジタルヘルスケアによるがん検出の領域におけるセキュリティ、実行遅延、予測精度の改善という課題に焦点を当てています。

本研究の目的は、さまざまな種類の癌をより正確に、より迅速に、より安全に検出するための新たなパラダイムを提示することです。具体的には、フォグとクラウドのヘテロジニアスなコンピューティングノードに基づいた新しいがん検出手法を開発しました。

本研究は、近年、デジタルヘルスケアがフォグとクラウドネットワークを通じてがんの検出に大きな進歩を遂げているという背景から着想を得ています。それにもかかわらず、現状の研究ではまだセキュリティ、実行遅延、予測精度の向上という課題が存在しています。

本研究では、「Multi-Cancer Multi-Omics Clinical Dataset Laboratories (MCMOCL)」スキームを開発し、これを活用してさまざまながんタイプの検出を行うことで、がん検出の精度、実行遅延の最小化、セキュリティの改善を実現しました。このスキームは、Federated Learning、Auto-Encoder、XGBoostという手法を組み合わせて利用しています。

本研究の有効性は、仮想環境において実装と解析を行い、シミュレーション結果に基づいて評価しました。その結果、MCMOCLが既存の機械学習モデルを98％の精度と50％の処理時間短縮で凌ぐ結果が得られました。