Jadwal Sholat

Memuat jadwal sholatโ€ฆ

Editorial Ilmu Komputer & AI

Open AccessOA2023

Fused Weighted Federated Deep Extreme Machine Learning Berbasis Model Prediksi Penyakit Kanker Paru Cerdas untuk Healthcare 5.0

Makalah ini mengusulkan model fused weighted federated deep extreme learning untuk prediksi kanker paru dalam Healthcare 5.0, menjawab isu privasi data dan mencapai akurasi 97,2%, melampaui metode state-of-the-art.
Sagheer Abbas; G. Issa; Areej Fatima; Tahir Abbas Khan; Taher M. Ghazal; Munir Ahmad; C. Yeun; Muhammad Attique Khanยท International Journal of Intelligent Systemsยท 2023ยท DOI 10.1155/2023/2599161

Masalah inti

Diagnosis penyakit manusia, terutama penyakit kanker yang mematikan, masih menjadi tugas yang menantang pada era Healthcare 5.0. Prediksi yang akurat sangat penting bagi kesejahteraan manusia. Industri Internet of Medical Things (IoMT) global telah berkembang pesat, tetapi kemajuan ini memunculkan kekhawatiran privasi data. Untuk memastikan privasi data pasien dan transmisi data yang cepat, karya ini mengintegrasikan federated deep extreme learning dengan edge computing untuk sistem diagnosis penyakit paru cerdas. Sistem yang diusulkan memakai federated deep extreme machine learning untuk prediksi penyakit paru, yang ditingkatkan dengan metodologi fused weighted deep extreme machine learning untuk akurasi yang lebih baik. Model divalidasi menggunakan MATLAB 2020a, mencapai akurasi 97,2%, melampaui metode state-of-the-art.

Inovasi

Sistem cerdas yang diusulkan untuk prediksi kanker paru menggabungkan federated learning, deep extreme learning machines (DELM), dan edge computing. Federated learning menjamin privasi dengan melatih model secara lokal pada data terdistribusi tanpa membagikan data mentah pasien. Deep extreme learning machines memberikan pembelajaran yang cepat dan generalisasi yang baik. Pendekatan fused weighted diadopsi untuk menggabungkan beberapa model DELM, meningkatkan kinerja prediksi. Arsitektur sistem diilustrasikan di bawah ini:

Metode fused weighted memberikan bobot pada setiap model lokal berdasarkan kinerjanya, dan prediksi ansambel diberikan oleh:

dengan adalah bobot, adalah prediksi model lokal, dan adalah jumlah model. Bobot dioptimalkan untuk meminimalkan galat prediksi. Model dilatih dan diuji pada dataset kanker paru, dengan simulasi yang dilakukan di MATLAB 2020a.

Pendahuluan
Diagnosis penyakit manusia, terutama penyakit kanker yang mematikan, masih menjadi tugas yang menantang pada era Healthcare 5.0. Prediksi yang akurat sangat penting bagi kesejahteraan manusia. Industri Internet of Medical Things (IoMT) global telah berkembang pesat, tetapi kemajuan ini memunculkan kekhawatiran privasi data. Untuk memastikan privasi data pasien dan transmisi data yang cepat, karya ini mengintegrasikan federated deep extreme learning dengan edge computing untuk sistem diagnosis penyakit paru cerdas. Sistem yang diusulkan memakai federated deep extreme machine learning untuk prediksi penyakit paru, yang ditingkatkan dengan metodologi fused weighted deep extreme machine learning untuk akurasi yang lebih baik. Model divalidasi menggunakan MATLAB 2020a, mencapai akurasi 97,2%, melampaui metode state-of-the-art.

Mengapa penting

Integrasi federated learning dengan deep extreme learning machines dan fused weighting memberikan solusi yang tangguh untuk prediksi kanker paru dalam Healthcare 5.0. Federated learning menjawab kekhawatiran privasi dengan menjaga data tetap lokal, sementara edge computing memastikan pemrosesan berlatensi rendah. Ansambel fused weighted meningkatkan akurasi model dengan menggabungkan beberapa model lokal, memitigasi batasan model individual. Akurasi 97,2% yang dicapai menunjukkan keunggulan model. Namun, tantangan seperti beban komunikasi dan heterogenitas perangkat edge perlu diselidiki lebih lanjut. Penelitian selanjutnya dapat mengeksplorasi skalabilitas dan penerapan di dunia nyata.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten memberโ€ฆ