論文の概要: A Novel Approach to the Diagnosis of Heart Disease using Machine Learning and Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2007.12998v1
• Date: Sat, 25 Jul 2020 19:08:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 00:42:56.627291
• Title: A Novel Approach to the Diagnosis of Heart Disease using Machine Learning and Deep Neural Networks
• Title（参考訳）: 機械学習とディープニューラルネットワークを用いた心疾患診断への新しいアプローチ
• Authors: Sahithi Ankireddy
• Abstract要約: 本研究の目的は、機械学習(ML)とディープニューラルネットワーク(DNN)アルゴリズムを用いた心臓疾患診断のためのアプリケーションを開発することである。 このアプリケーションは、Frask上で動作し、DNNを使用してBootstrapを利用するように開発され、Random Forest MLモデルよりも92%の精度で実行された。
• 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: Heart disease is the leading cause of death worldwide. Currently, 33% of cases are misdiagnosed, and approximately half of myocardial infarctions occur in people who are not predicted to be at risk. The use of Artificial Intelligence could reduce the chance of error, leading to possible earlier diagnoses, which could be the difference between life and death for some. The objective of this project was to develop an application for assisted heart disease diagnosis using Machine Learning (ML) and Deep Neural Network (DNN) algorithms. The dataset was provided from the Cleveland Clinic Foundation, and the models were built based on various optimization and hyper parametrization techniques including a Grid Search algorithm. The application, running on Flask, and utilizing Bootstrap was developed using the DNN, as it performed higher than the Random Forest ML model with a total accuracy rate of 92%.
• Abstract（参考訳）: 心臓病は世界中で主要な死因である。 現在、33%の患者は誤診されており、心筋梗塞の約半数は危険と予測されていない人々である。 人工知能の使用は、エラーの可能性を減少させ、早期の診断につながる可能性がある。 本研究の目的は、機械学習(ML)とディープニューラルネットワーク(DNN)アルゴリズムを用いた心臓疾患診断のためのアプリケーションを開発することである。 データセットはクリーブランドクリニック財団から提供され、モデルはグリッドサーチアルゴリズムを含む様々な最適化とハイパーパラメトリゼーション技術に基づいて構築された。 このアプリケーションは、Frask上で動作し、DNNを使用してBootstrapを利用するように開発され、Random Forest MLモデルよりも92%の精度で実行された。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Research on Early Warning Model of Cardiovascular Disease Based on Computer Deep Learning [5.761426161930679]
  本研究は,1次元畳み込みニューラルネットワークに基づく心血管疾患早期警戒モデルについて検討することを目的とする。 患者年齢,血糖値,コレステロール値,胸痛値などの生理・症状指標が欠落し,Zスコアが標準化された。
  論文  参考訳（メタデータ） (2024-06-13T07:04:22Z)
• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• AI Framework for Early Diagnosis of Coronary Artery Disease: An Integration of Borderline SMOTE, Autoencoders and Convolutional Neural Networks Approach [0.44998333629984877]
  我々は,データのバランスが不均衡でサンプルサイズが小さい場合に,より正確な予測を行うために,データのバランスと拡張のための方法論を開発する。 実験の結果,提案手法の平均精度は95.36であり,ランダムフォレスト(RF),決定木(DT),サポートベクターマシン(SVM),ロジスティック回帰(LR),人工ニューラルネットワーク(ANN)よりも高かった。
  論文  参考訳（メタデータ） (2023-08-29T14:33:38Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Heart Disease Detection using Quantum Computing and Partitioned Random Forest Methods [0.8192907805418583]
  心臓病の早期発見は、心臓死亡率と死亡率を低下させる。 近年の研究では、5キュービット以上の心臓疾患を予測するために量子コンピューティング手法が用いられている。 本研究では,クリーブランドとスタットログという2つのオープンソースデータセットを用いて量子ネットワークを適用した。
  論文  参考訳（メタデータ） (2022-08-17T08:54:49Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Novel Deep Learning Architecture for Heart Disease Prediction using Convolutional Neural Network [0.0]
  心臓病は、世界中の多くの人々の生活を妨げる最も致命的な病気の1つである。 本稿では,健康な人と非健康な人の分類に1次元畳み込みニューラルネットワークを用いた新しいディープラーニングアーキテクチャを提案する。 提案するネットワークは、データセット上で97%以上のトレーニング精度と96%のテスト精度を達成する。
  論文  参考訳（メタデータ） (2021-05-22T22:00:57Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• An IoT Framework for Heart Disease Prediction based on MDCNN Classifier [0.0]
  IoTフレームワークは、Deep Modified Convolutional Neural Network(MDCNN)を用いて心臓病をより正確に評価する。 患者に取り付けられたスマートウォッチと心臓モニター装置は、血圧と心電図(ECG)を監視します。 その結果, MDCNN を用いた心疾患予測システムは, 他の方法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-10T22:00:56Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)

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。