最相关论文摘要

资源简介

最相关论文摘要

【一句话概览】

本数据集是 figshare 公开的文本数据集，收录 1 个文件、合计 5.63 KB，主题涵盖 sensitive patient data、gan &# 8217、centralized training paradigms、abdominal ct scans、silo federated learning，可用于医学自然语言处理（实体识别、信息抽取等），CC BY 4.0 许可开放获取。

【数据集背景】

本数据集源站标题为《Summary of most relevant paper.》。源站首次发布：2025-07-24。

【数据内容】

源站原始描述：Deep learning models for diagnostic applications require large amounts of sensitive patient data, raising privacy concerns under centralized training paradigms. We propose FedGAN, a federated learning framework for synthetic medical image generation that combines Generative Adversarial Networks (GANs) with cross-silo federated learning. Our approach pretrains a DCGAN on abdominal CT scans and fine-tunes it collaboratively across clinical silos using diabetic retinopathy datasets. By federating t…

中文译文（机器翻译，仅供快速理解，请以原文为准）：面向诊断应用的深度学习模型需要大量敏感患者数据，这在集中式训练范式下引发了隐私担忧。我们提出 FedGAN，一种用于合成医学图像生成的联邦学习框架，它将生成对抗网络（GAN）与跨孤岛联邦学习相结合。我们的方法在腹部 CT 扫描上预训练一个 DCGAN，并利用糖尿病视网膜病变数据集在多个临床孤岛间协同微调。通过联邦平均（FedAvg）算法对 GAN 的判别器和生成器进行联邦化，FedGAN 在遵守 HIPAA 和 GDPR 的同时生成高质量的合成视网膜图像。实验表明，FedGAN 达到了 0.43 的真实感得分（由集中式判别器测量）。这项工作弥合了医学 AI 中的数据稀缺与隐私挑战，实现了机构间的安全协作。

【数据结构与技术规格】

文件数 1 个，合计 5.63 KB。Table 2.xls：application/vnd.ms-excel，5.63 KB。数据集 DOI：10.1371/journal.pone.0326579.t002。

【主题与分类】

源站学科分类：Microbiology、Cell Biology、Genetics、Molecular Biology、Biotechnology、Chemical Sciences not elsewhere classified。主题标签：sensitive patient data、gan &# 8217、centralized training paradigms、abdominal ct scans、silo federated learning、federated learning framework、raising privacy concerns、fedgan generates high、centralized discriminator ).、federated averaging。

【适用方向】

文本类数据可用于医学自然语言处理，如命名实体识别、信息抽取与文本分类。

【获取与许可】

源站页面：https://plos.figshare.com/articles/dataset/Summary_of_most_relevant_paper_/29640286

使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。

规范引用：Kamran, Hassan; Hussain, Syed Jawad; Latif, Sohaib; Soomro, Imtiaz Ali; Alnfiai, Mrim M.; Alotaibi, Nouf Nawar (2025). Summary of most relevant paper.. PLOS ONE. Dataset