İçeriğe geç
Teknoaktif
Son haberler
Frontiers | TEA-XFEL: Güvenilir ve Enerji Bilinçli Açıklayabilir Federated Edge Öğrenme ile Güvenli Heterojen Sağlık Zekası
Akıllı Telefon

Frontiers | TEA-XFEL: Güvenilir ve Enerji Bilinçli Açıklayabilir Federated Edge Öğrenme ile Güvenli Heterojen Sağlık Zekası

Yapay Zeka (YZ) ve Tıbbi Nesnelerin İnterneti (IoMT) destekli sağlık sistemleri, dağıtılmış veri analitiği yoluyla akıllı klinik karar verme süreçlerini…

Özet

Giriş:

Yapay Zeka (YZ) ve Tıbbi Nesnelerin İnterneti (IoMT) destekli sağlık sistemleri, dağıtılmış veri analitiği yoluyla akıllı klinik karar verme süreçlerini önemli ölçüde geliştirmiştir. Ancak geleneksel merkezi öğrenme yaklaşımları, hasta gizliliğinin sızması, aşırı iletişim yükü, sınırlı şeffaflık, düşmanca saldırılar ve kenar tabanlı sağlık ortamlarında verimsiz kaynak kullanımı gibi risklere karşı savunmasız kalmaktadır. Federated Learning (FL), gizliliği koruyan işbirlikçi öğrenme için merkezi olmayan bir paradigma sunsa da mevcut sağlık alanındaki FL çerçeveleri genellikle statik gizlilik yapılandırmalarına dayanmakta ve güven yönetimi, açıklanabilirlik ile kaynak duyarlı istemci katılımının entegrasyonunu sınırlı düzeyde sağlamaktadır.

Yöntemler:

Bu çalışma, heterojen veri türleri arasında dağıtılmış sağlık zekası için Güvenilir ve Enerji Duyarlı Açıklanabilir Federated Kenar Öğrenme (TEA-XFEL) adlı güvenli ve ölçeklenebilir bir çerçeve önermektedir. Bu çerçeve; (i) uyarlanabilir diferansiyel gizlilik bütçelemesini, (ii) blok zinciri destekli itibar duyarlı güvenli birleştirmeyi, (iii) enerji duyarlı istemci seçimini, (iv) Açıklanabilir Federated Learning (XFL) yöntemini ve (v) hafif bilgi damıtma tabanlı kenar çıkarımını entegre etmektedir. Çerçeve, hastane içi ölüm oranını tahmin etmek için MIMIC-III Elektronik Sağlık Kayıtları veri seti ve çok etiketli toraks bulguları sınıflandırması için NIH ChestX-ray14 tıbbi görüntüleme veri seti kullanılarak bağımsız olarak değerlendirilmiştir. Bu iki veri seti birbiriyle ilişkisiz hasta popülasyonlarını temsil ettiğinden, hasta düzeyinde eşleştirme, veri setleri arası özellik birleştirme veya çok modlu füzyon gerçekleştirilmemiştir. Her veri seti için eğitim verileri, heterojen kurumlar arası ortamları simüle etmek amacıyla 20 federated sağlık istemcisi arasında non-IID bir yapıda dağıtılmıştır.

Sonuçlar:

Deneyimsel değerlendirme, TEA-XFEL’in hem yapılandırılmış elektronik sağlık kayıtları hem de tıbbi görüntüleme görevlerine uygulanabilirliğini göstermektedir. Önerilen enerji duyarlı mekanizma ise iletişim yükünü %38,7 ve enerji tüketimini %31,4 oranında azaltmaktadır. Entegre edilen XAI bileşeni, yapılandırılmış klinik veriler ve tıbbi görüntüler için uygun atıf mekanizmaları kullanarak moda özel hesapsal açıklamalar sunmaktadır.

Tartışma:

Genel olarak TEA-XFEL, heterojen sağlık verileri için gizlilik duyarlı, güvenilir, açıklanabilir ve kaynak açısından verimli bir federated mimari sunarken, moda özel bağımsız öğrenme ve değerlendirmeyi de korumaktadır.

1 Giriş

Temel Bulgular ve Genel Değerlendirme

TiwariK.KumarS. (2025d). BCT-FLHD: sağlık 5.0 hastalık tespiti için blok zinciri destekli federated öğrenme çerçevesi. Peer-to-Peer Netw. Appl.18:212. doi: 10.1007/s12083-025-01983-0

WangL.LiuX.ShaoW.GuanC.HuangQ.XuS.et al. (2024). Artırılmış güncellemeler için blok zinciri tabanlı gizliliği koruyan sağlık verisi paylaşım şeması. Symmetry16:89. doi: 10.3390/sym16010089

WangX.PengY.LuL.LuZ.BagheriM.SummersR. M.et al. (2017). “ChestX-ray8: hastane ölçeğinde göğüs röntgeni veri tabanı ve yaygın toraks hastalıklarının zayıf denetimli sınıflandırması ve yerelleştirilmesi üzerine kıyaslamalar,” IEEE bilgisayarla görme ve desen tanıma konferansı (CVPR) bildirileri (Honolulu, HI), 2097–2106. doi: 10.1109/CVPR.2017.369

ZhangY.TangY.ZhangZ.LiM.LiZ.KhanS.et al. (2023). Doğrulanabilir adaletli, blok zinciri tabanlı pratik ve gizliliği koruyan federated öğrenme. Mathematics11:1091. doi: 10.3390/math11051091

ZhaoH.SuiD.WangY.MaL.WangL. (2025). Çok kaynaklı elektronik sağlık kayıtlarıyla prognoz tahmini için gizliliği koruyan federated öğrenme çerçevesi. Sensors25:2374. doi: 10.3390/s25082374

ZhuB.NiuL. (2025). Homomorfik şifreleme ve kenar bilişim ile gizliliği koruyan federated öğrenme şeması. Alex. Eng. J. 118, 11–20. doi: 10.1016/j.aej.2024.12.070

Özet

Anahtar Kelimeler

diferansiyel gizlilik, kenar zekası, açıklanabilir yapay zeka, federated öğrenme, sağlık analitiği, Tıbbi Nesnelerin İnterneti, güven duyarlı birleştirme

Atıf

S M ve K R J (2026) TEA-XFEL: güvenli heterojen sağlık zekası için güvenilir ve enerji duyarlı açıklanabilir federated kenar öğrenme. Front. Artif. Intell. 9:1939671. doi: 10.3389/frai.2026.1939671

Alındı

16 Temmuz 2026

Revize edildi

27 Eylül 2026

Kabul edildi

26 Ekim 2026

Yayınlandı

17 Kasım 2026

9 – 2026

Abdul Razaque, Arkansas Teknoloji Üniversitesi, Amerika Birleşik Devletleri

Arvind Kumar Chaudhary, Cognizant, Amerika Birleşik Devletleri

Ashish Tiwari, C. V. Raman Küresel Üniversitesi, Hindistan

© 2026 S ve K R.

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek iddialar, yayıncı tarafından garanti edilmez veya onaylanmaz. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltma izni verilmemektedir.

*İletişim: Jothi K R, [email protected]

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek iddialar, yayıncı tarafından garanti edilmez veya onaylanmaz. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltma izni verilmemektedir.

Frontiers | TEA-XFEL: trustworthy and energy-aware explainable federated edge learning for secure heterogeneous healthcare intelligence
Frontiers | TEA-XFEL: trustworthy and energy-aware explainable federated edge learning for secure heterogeneous healthcare intelligence
İlginizi Çekebilir: Yapay Zeka Sohbetlerinde Yankı Odalarını Modellemek: Anlaşmayı, Çeşitliliği ve Belirsizliği Ayrıştırmak İçin Nötrosofik Bir Çerçeve →
Kaynak: Frontiersin ↗

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir