Federated unsupervised random forest for privacy-preserving patient stratification

Motivation In the realm of precision medicine, effective patient stratification and disease subtyping demand innovative methodologies tailored for multi-omics data. Clustering techniques applied to multi-omics data have become instrumental in identifying distinct subgroups of patients, enabling a fi...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Bioinformatics (Oxford, England) Ročník 40; číslo Supplement_2; s. ii198 - ii207
Hlavní autoři:	Pfeifer, Bastian, Sirocchi, Christel, Bloice, Marcus D, Kreuzthaler, Markus, Urschler, Martin
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	England Oxford University Press 01.09.2024 Oxford Publishing Limited (England)
Témata:	Algorithms Availability Big Data Biological analysis Cancer Cluster Analysis Clustering Computation Datasets Digital Health Humans Learning algorithms Machine Learning Neoplasms Patients Precision medicine Precision Medicine - methods Privacy Random Forest Subgroups Unsupervised Machine Learning
ISSN:	1367-4803, 1367-4811, 1367-4811
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!