論文の概要: Optimization of Genomic Classifiers for Clinical Deployment: Evaluation
of Bayesian Optimization to Select Predictive Models of Acute Infection and
In-Hospital Mortality
- arxiv url: http://arxiv.org/abs/2003.12310v3
- Date: Tue, 13 Oct 2020 09:45:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 04:43:50.869394
- Title: Optimization of Genomic Classifiers for Clinical Deployment: Evaluation
of Bayesian Optimization to Select Predictive Models of Acute Infection and
In-Hospital Mortality
- Title（参考訳）: 臨床展開のためのゲノム分類器の最適化:急性感染症および院内死亡の予測モデル選択のためのベイズ最適化の評価
- Authors: Michael B. Mayhew, Elizabeth Tran, Kirindi Choi, Uros Midic, Roland
Luethy, Nandita Damaraju and Ljubomir Buturovic
- Abstract要約: 血液から特定の遺伝子の発現レベルを定量化することにより、患者の免疫反応を特徴づけることにより、両方のタスクを遂行する潜在的によりタイムリーで正確な手段を示す。
機械学習手法は、デプロイ対応の分類モデルの開発にこの‘ホスト応答’を活用するプラットフォームを提供する。
急性感染症の診断分類器の開発におけるHO法と29の診断マーカーの遺伝子発現による院内死亡率の比較を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Acute infection, if not rapidly and accurately detected, can lead to sepsis,
organ failure and even death. Current detection of acute infection as well as
assessment of a patient's severity of illness are imperfect. Characterization
of a patient's immune response by quantifying expression levels of specific
genes from blood represents a potentially more timely and precise means of
accomplishing both tasks. Machine learning methods provide a platform to
leverage this 'host response' for development of deployment-ready
classification models. Prioritization of promising classifiers is dependent, in
part, on hyperparameter optimization for which a number of approaches including
grid search, random sampling and Bayesian optimization have been shown to be
effective. We compare HO approaches for the development of diagnostic
classifiers of acute infection and in-hospital mortality from gene expression
of 29 diagnostic markers. We take a deployment-centered approach to our
comprehensive analysis, accounting for heterogeneity in our multi-study patient
cohort with our choices of dataset partitioning and hyperparameter optimization
objective as well as assessing selected classifiers in external (as well as
internal) validation. We find that classifiers selected by Bayesian
optimization for in-hospital mortality can outperform those selected by grid
search or random sampling. However, in contrast to previous research: 1)
Bayesian optimization is not more efficient in selecting classifiers in all
instances compared to grid search or random sampling-based methods and 2) we
note marginal gains in classifier performance in only specific circumstances
when using a common variant of Bayesian optimization (i.e. automatic relevance
determination). Our analysis highlights the need for further practical,
deployment-centered benchmarking of HO approaches in the healthcare context.
- Abstract（参考訳）: 急性感染症は、迅速かつ正確に検出されていないが、敗血症、臓器不全、さらには死に至る。
現在の急性感染症の検出と患者の重症度の評価は不完全である。
血液から特定の遺伝子の発現レベルを定量化することで患者の免疫応答の特徴付けは、両方のタスクを遂行するよりタイムリーで正確な手段である可能性がある。
機械学習手法は、デプロイ対応の分類モデルの開発にこの‘ホスト応答’を活用するプラットフォームを提供する。
有望な分類器の優先順位付けは、グリッド探索、ランダムサンプリング、ベイズ最適化を含む多くのアプローチが有効であることが示されているハイパーパラメータ最適化に依存する。
29種類の診断マーカーの遺伝子発現から急性感染症と病院内死亡の診断分類器の開発にho法を応用した。
我々は、データセット分割とハイパーパラメータ最適化の目標を選択するとともに、外部(および内部)の検証で選択した分類器を評価することで、マルチスタディ患者コホートの不均一性を考慮し、包括的分析に展開中心のアプローチを取ります。
ベイズ最適化によって選択された病院内死亡率の分類器は,グリッド探索やランダムサンプリングにより選択された分類器よりも優れていることがわかった。
しかし これまでの研究とは対照的に
1)ベイズ最適化は,グリッド探索やランダムサンプリングに基づく手法と比較して,全インスタンスの分類器選択において効率的ではない。
2) ベイズ最適化の一般的な変種(すなわち自動適合性判定)を使用する場合, 特定の状況のみにおいて, 分類器性能の限界値に留意する。
私たちの分析は、ヘルスケアのコンテキストにおけるHOアプローチのより実践的でデプロイ中心のベンチマークの必要性を強調します。
関連論文リスト
- Dual-stage optimizer for systematic overestimation adjustment applied to
multi-objective genetic algorithms for biomarker selection [0.18648070031379424]
特徴選択法を用いたバイオマーカー同定は,特徴数における予測能力とパシモニーのトレードオフを伴う多目的問題として扱うことができる。
提案するDOSA-MOは多目的最適化ラッパーアルゴリズムで,元の推定値,分散度,および解の特徴セットサイズが過大評価を予測する。
論文 参考訳（メタデータ） (2023-12-27T16:13:14Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Characterizing the Optimal 0-1 Loss for Multi-class Classification with
a Test-time Attacker [57.49330031751386]
我々は,任意の離散データセット上の複数クラス分類器に対するテスト時間攻撃の存在下での損失に対する情報理論的下位境界を求める。
本稿では,データと敵対的制約から競合ハイパーグラフを構築する際に発生する最適0-1損失を求めるための一般的なフレームワークを提供する。
論文 参考訳（メタデータ） (2023-02-21T15:17:13Z) - Analysis of lifelog data using optimal feature selection based
unsupervised logistic regression (OFS-ULR) for chronic disease classification [2.3909933791900326]
慢性疾患分類モデルは現在、より良い医療実践を探求するためにライフログデータの可能性を活用している。
本稿では,慢性疾患の分類に最適な特徴選択に基づく非教師なしロジスティック回帰モデル(OFS-ULR)を構築することを目的とする。
論文 参考訳（メタデータ） (2022-04-04T07:11:26Z) - Multi-class versus One-class classifier in spontaneous speech analysis
oriented to Alzheimer Disease diagnosis [58.720142291102135]
本研究の目的は,音声信号から抽出した新しいバイオマーカーを用いて自動解析を行うことにより,ADの早期診断と重症度評価の改善に寄与することである。
外付け器とフラクタル次元の機能に関する情報を使用することで、システムの性能が向上する。
論文 参考訳（メタデータ） (2022-03-21T09:57:20Z) - SelectAugment: Hierarchical Deterministic Sample Selection for Data
Augmentation [72.58308581812149]
そこで我々は,SelectAugmentと呼ばれる効果的な手法を提案し,決定論的かつオンラインに拡張するサンプルを選択する。
具体的には、各バッチにおいて、まず増分比率を決定し、次にこの比で各トレーニングサンプルを増分するかを決定する。
これにより、サンプルを増量する際のランダム性による負の効果を効果的に軽減し、DAの有効性を向上させることができる。
論文 参考訳（メタデータ） (2021-12-06T08:38:38Z) - Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features
Selection [1.990876596716716]
子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。
ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。
このフレームワークは3つの公開ベンチマークデータセットで評価されている。
論文 参考訳（メタデータ） (2021-06-09T08:57:22Z) - Empirical Analysis of Machine Learning Configurations for Prediction of
Multiple Organ Failure in Trauma Patients [7.122236250657051]
多臓器不全(MOF)は生命を脅かす状態である。
包括的機械学習(ML)構成を用いた初期MOF予測の定量的解析を行う。
論文 参考訳（メタデータ） (2021-03-19T17:49:22Z) - Sickle-cell disease diagnosis support selecting the most appropriate
machinelearning method: Towards a general and interpretable approach for
cellmorphology analysis from microscopy images [0.0]
本稿では,最先端技術に基づく分類手法と特徴の選択手法を提案する。
当科では,他の研究例に応用できる病原体疾患のサンプルを用いて検討した。
論文 参考訳（メタデータ） (2020-10-09T11:46:38Z) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳（メタデータ） (2020-05-07T16:13:12Z) - Noisy Adaptive Group Testing using Bayesian Sequential Experimental
Design [63.48989885374238]
病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。
本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
論文 参考訳（メタデータ） (2020-04-26T23:41:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。