10 Ergebnisse
Sortierung:
In: Zeitschrift für Ausländerrecht und Ausländerpolitik: ZAR ; Staatsangehörigkeit, Zuwanderung, Asyl und Flüchtlinge, Kultur, Einreise und Aufenthalt, Integration, Arbeit und Soziales, Europa, Band 20, Heft 2, S. 96
ISSN: 0721-5746
In: Zeitschrift für Ausländerrecht und Ausländerpolitik: ZAR ; Staatsangehörigkeit, Zuwanderung, Asyl und Flüchtlinge, Kultur, Einreise und Aufenthalt, Integration, Arbeit und Soziales, Europa, Band 20, Heft 6, S. 283
ISSN: 0721-5746
In: Zeitschrift für Ausländerrecht und Ausländerpolitik: ZAR ; Staatsangehörigkeit, Zuwanderung, Asyl und Flüchtlinge, Kultur, Einreise und Aufenthalt, Integration, Arbeit und Soziales, Europa, Band 20, Heft 2, S. 96
ISSN: 0721-5746
In: Zeitschrift für Ausländerrecht und Ausländerpolitik: ZAR ; Staatsangehörigkeit, Zuwanderung, Asyl und Flüchtlinge, Kultur, Einreise und Aufenthalt, Integration, Arbeit und Soziales, Europa, Band 20, Heft 1, S. 44
ISSN: 0721-5746
In: Zeitschrift für Ausländerrecht und Ausländerpolitik: ZAR ; Staatsangehörigkeit, Zuwanderung, Asyl und Flüchtlinge, Kultur, Einreise und Aufenthalt, Integration, Arbeit und Soziales, Europa, Band 20, Heft 2, S. 92
ISSN: 0721-5746
In: Zeitschrift für Ausländerrecht und Ausländerpolitik: ZAR ; Staatsangehörigkeit, Zuwanderung, Asyl und Flüchtlinge, Kultur, Einreise und Aufenthalt, Integration, Arbeit und Soziales, Europa, Band 20, Heft 2, S. 93-94
ISSN: 0721-5746
In: Zeitschrift für Ausländerrecht und Ausländerpolitik: ZAR ; Staatsangehörigkeit, Zuwanderung, Asyl und Flüchtlinge, Kultur, Einreise und Aufenthalt, Integration, Arbeit und Soziales, Europa, Band 20, Heft 4, S. 187
ISSN: 0721-5746
In: Zeitschrift für Ausländerrecht und Ausländerpolitik: ZAR ; Staatsangehörigkeit, Zuwanderung, Asyl und Flüchtlinge, Kultur, Einreise und Aufenthalt, Integration, Arbeit und Soziales, Europa, Band 20, Heft 6, S. 283
ISSN: 0721-5746
In: Zeitschrift für Ausländerrecht und Ausländerpolitik: ZAR ; Staatsangehörigkeit, Zuwanderung, Asyl und Flüchtlinge, Kultur, Einreise und Aufenthalt, Integration, Arbeit und Soziales, Europa, Band 20, Heft 4, S. 189
ISSN: 0721-5746
Fast and reliable detection of patients with severe and heterogeneous illnesses is a major goal of precision medicine. Patients with leukaemia can be identified using machine learning on the basis of their blood transcriptomes. However, there is an increasing divide between what is technically possible and what is allowed, because of privacy legislation. Here, to facilitate the integration of any medical data from any data owner worldwide without violating privacy laws, we introduce Swarm Learning—a decentralized machine-learning approach that unites edge computing, blockchain-based peer-to-peer networking and coordination while maintaining confidentiality without the need for a central coordinator, thereby going beyond federated learning. To illustrate the feasibility of using Swarm Learning to develop disease classifiers using distributed data, we chose four use cases of heterogeneous diseases (COVID-19, tuberculosis, leukaemia and lung pathologies). With more than 16,400 blood transcriptomes derived from 127 clinical studies with non-uniform distributions of cases and controls and substantial study biases, as well as more than 95,000 chest X-ray images, we show that Swarm Learning classifiers outperform those developed at individual sites. In addition, Swarm Learning completely fulfils local confidentiality regulations by design. We believe that this approach will notably accelerate the introduction of precision medicine.
BASE