Enfoque de aprendizaje federado para la detección temprana de lesiones en el pecho causadas por la infección de COVID-19 utilizando la optimización por enjambre de partículas
Autores: Kandati, Dasaradharami Reddy; Gadekallu, Thippa Reddy
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Enfoque de aprendizaje federado para la detección temprana de lesiones en el pecho causadas por la infección de COVID-19 utilizando la optimización por enjambre de partículas
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Lesión en el pecho
Infección por COVID-19
Estrategias basadas en IA
Aprendizaje automático
Aprendizaje profundo
Aprendizaje Federado
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
La lesión en el pecho causada por la pandemia de infección por COVID-19 está amenazando la vida y el bienestar de las personas en todo el mundo. Las estrategias basadas en inteligencia artificial (IA) son métodos eficientes para ayudar a los radiólogos al evaluar la gran cantidad de imágenes de radiografías de tórax, lo cual puede desempeñar un papel significativo en simplificar y mejorar el diagnóstico de la lesión en el pecho causada por la infección por COVID-19. El aprendizaje automático (ML) y el aprendizaje profundo (DL) son estrategias de IA que han ayudado a los investigadores a predecir casos de lesiones en el pecho causadas por la infección por COVID-19. Sin embargo, las estrategias de ML y DL enfrentan desafíos como retrasos en la transmisión, falta de potencia informática, retrasos en la comunicación y preocupaciones de privacidad. El Aprendizaje Federado (FL) es un nuevo desarrollo en ML que facilita la recolección, procesamiento y análisis de grandes cantidades de datos multidimensionales. Esto podría ayudar a resolver los desafíos identificados en ML y DL. Sin embargo, los algoritmos de FL envían y reciben grandes cantidades de pesos de modelos entrenados en el lado del cliente, lo que resulta en una sobrecarga significativa de comunicación. Para abordar este problema, ofrecemos un marco unificado que combina FL y un algoritmo de optimización de enjambre de partículas (PSO) para acelerar el tiempo de respuesta del gobierno a los brotes de lesiones en el pecho causadas por la infección por COVID-19. El enfoque de Optimización de Enjambre de Partículas Federado se probó en un conjunto de datos de imágenes multidimensionales de lesiones en el pecho causadas por la infección por COVID-19 y en el conjunto de datos de radiografías de tórax (neumonía) del repositorio de Kaggle. Nuestra investigación muestra que el modelo propuesto funciona mejor cuando hay una cantidad desigual de datos, tiene costos de comunicación más bajos y, por lo tanto, es más eficiente desde el punto de vista de la red. Los resultados del enfoque propuesto fueron validados; se logró una precisión de predicción del 96.15% para el conjunto de datos de lesiones en el pecho causadas por la infección por COVID-19, y se logró una precisión de predicción del 96.55% para el conjunto de datos de radiografías de tórax (neumonía). Estos resultados pueden utilizarse para desarrollar un enfoque progresivo para la detección temprana de lesiones en el pecho causadas por la infección por COVID-19.
Descripción
La lesión en el pecho causada por la pandemia de infección por COVID-19 está amenazando la vida y el bienestar de las personas en todo el mundo. Las estrategias basadas en inteligencia artificial (IA) son métodos eficientes para ayudar a los radiólogos al evaluar la gran cantidad de imágenes de radiografías de tórax, lo cual puede desempeñar un papel significativo en simplificar y mejorar el diagnóstico de la lesión en el pecho causada por la infección por COVID-19. El aprendizaje automático (ML) y el aprendizaje profundo (DL) son estrategias de IA que han ayudado a los investigadores a predecir casos de lesiones en el pecho causadas por la infección por COVID-19. Sin embargo, las estrategias de ML y DL enfrentan desafíos como retrasos en la transmisión, falta de potencia informática, retrasos en la comunicación y preocupaciones de privacidad. El Aprendizaje Federado (FL) es un nuevo desarrollo en ML que facilita la recolección, procesamiento y análisis de grandes cantidades de datos multidimensionales. Esto podría ayudar a resolver los desafíos identificados en ML y DL. Sin embargo, los algoritmos de FL envían y reciben grandes cantidades de pesos de modelos entrenados en el lado del cliente, lo que resulta en una sobrecarga significativa de comunicación. Para abordar este problema, ofrecemos un marco unificado que combina FL y un algoritmo de optimización de enjambre de partículas (PSO) para acelerar el tiempo de respuesta del gobierno a los brotes de lesiones en el pecho causadas por la infección por COVID-19. El enfoque de Optimización de Enjambre de Partículas Federado se probó en un conjunto de datos de imágenes multidimensionales de lesiones en el pecho causadas por la infección por COVID-19 y en el conjunto de datos de radiografías de tórax (neumonía) del repositorio de Kaggle. Nuestra investigación muestra que el modelo propuesto funciona mejor cuando hay una cantidad desigual de datos, tiene costos de comunicación más bajos y, por lo tanto, es más eficiente desde el punto de vista de la red. Los resultados del enfoque propuesto fueron validados; se logró una precisión de predicción del 96.15% para el conjunto de datos de lesiones en el pecho causadas por la infección por COVID-19, y se logró una precisión de predicción del 96.55% para el conjunto de datos de radiografías de tórax (neumonía). Estos resultados pueden utilizarse para desarrollar un enfoque progresivo para la detección temprana de lesiones en el pecho causadas por la infección por COVID-19.