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...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Veröffentlicht in:	Bioinformatics (Oxford, England) Jg. 40; H. Supplement_2; S. ii198 - ii207
Hauptverfasser:	Pfeifer, Bastian, Sirocchi, Christel, Bloice, Marcus D, Kreuzthaler, Markus, Urschler, Martin
Format:	Journal Article
Sprache:	Englisch
Veröffentlicht:	England Oxford University Press 01.09.2024 Oxford Publishing Limited (England)
Schlagworte:	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
Online-Zugang:	Volltext
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Schreiben Sie den ersten Kommentar!