تستكشف هذه الورقة البحثية دمج التعلم الفيدرالي (FL) والخصوصية التفاضلية (DP) لتعزيز الخصوصية في الكشف عن سرطان الثدي أثناء معالجة المعلومات الصحية الحساسة. من خلال الاستفادة من الإطار اللامركزي لـ FL، يمكّن هذا البحث التدريب التعاوني للنماذج بين منظمات الرعاية الصحية دون الكشف عن بيانات المرضى الخام. إن دمج DP يقدم ضوضاء إحصائية في تحديثات…

يظل سرطان الثدي واحدًا من أكثر أنواع السرطان شيوعًا بين النساء في جميع أنحاء العالم، حيث تعتبر الاكتشاف المبكر أمرًا حاسمًا لتحسين معدلات البقاء. تقدم هذه الدراسة طريقة جديدة لاختيار الميزات تستخدم قيم الشابلية التراكمية (SHAP) بالتزامن مع الإزالة التكرارية للميزات (RFE) وخوارزمية الغابة العشوائية (RF). لمواجهة مشكلة عدم توازن البيانات، استخدم الباحثون تقنية Borderline-SMOTE.…

تتناول هذه الدراسة التحدي الحاسم لضمان خصوصية البيانات في تصنيف الصور الطبية، لا سيما في سياق التشخيص المدعوم بالذكاء الاصطناعي، حيث واجه أكثر من 30% من منظمات الرعاية الصحية خروقات للبيانات. تستكشف الدراسة دمج التعلم الانتقالي والتعلم الفيدرالي لتطوير إطار عمل يحافظ على الخصوصية لتصنيف الصور الطبية، باستخدام GoogLeNet و VGG16 كنماذج أساسية. أظهرت هذه…