Fugu-MT 論文翻訳(概要): Automatic Detection and Classification of Waste Consumer Medications for Proper Management and Disposal

論文の概要: Automatic Detection and Classification of Waste Consumer Medications for Proper Management and Disposal

arxiv url: http://arxiv.org/abs/2007.13903v1
Date: Mon, 27 Jul 2020 23:03:14 GMT
ステータス: 処理完了
システム内更新日: 2022-11-06 08:55:10.421351
Title: Automatic Detection and Classification of Waste Consumer Medications for Proper Management and Disposal
Title（参考訳）: 適正管理・処分のための廃棄物消費者薬の自動検出と分類
Authors: Bahram Marami and Atabak Reza Royaee
Abstract要約: アメリカでは何百万ポンドもの医薬品が使われておらず、家庭内処理の対象となっている。本稿では,人工知能(AI)をドラッグテイクバックに適用して,より効率的に処理できることを述べる。
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: Every year, millions of pounds of medicines remain unused in the U.S. and are subject to an in-home disposal, i.e., kept in medicine cabinets, flushed in toilet or thrown in regular trash. In-home disposal, however, can negatively impact the environment and public health. The drug take-back programs (drug take-backs) sponsored by the Drug Enforcement Administration (DEA) and its state and industry partners collect unused consumer medications and provide the best alternative to in-home disposal of medicines. However, the drug take-backs are expensive to operate and not widely available. In this paper, we show that artificial intelligence (AI) can be applied to drug take-backs to render them operationally more efficient. Since identification of any waste is crucial to a proper disposal, we showed that it is possible to accurately identify loose consumer medications solely based on the physical features and visual appearance. We have developed an automatic technique that uses deep neural networks and computer vision to identify and segregate solid medicines. We applied the technique to images of about one thousand loose pills and succeeded in correctly identifying the pills with an accuracy of 0.912 and top-5 accuracy of 0.984. We also showed that hazardous pills could be distinguished from non-hazardous pills within the dataset with an accuracy of 0.984. We believe that the power of artificial intelligence could be harnessed in products that would facilitate the operation of the drug take-backs more efficiently and help them become widely available throughout the country.
Abstract（参考訳）: 毎年、何百万ポンドもの薬が米国で使われておらず、家庭内処理、すなわち医療キャビネットに保管され、トイレに流されたり、通常のゴミに捨てられたりしている。しかし、家庭内処理は環境と公衆衛生に悪影響を及ぼす可能性がある。薬物取締局(dea)とその州および産業パートナーが後援する薬物取締プログラム(薬物取締プログラム)は、未使用の消費者薬を収集し、家庭内薬の廃棄に最適な代替手段を提供する。しかし、薬の回収には費用がかかり、広くは利用できない。本稿では,人工知能(AI)をドラッグテイクバックに適用して,より効率的に処理できることを示す。廃棄物の特定は適切な処理に欠かせないため, 物理的特徴と視覚的外観のみに基づいて, 消費者薬を的確に識別できることが示唆された。我々は,深層ニューラルネットワークとコンピュータビジョンを用いて固形医薬品を識別・分離する自動技術を開発した。この手法を約1万個の緩い錠剤の画像に適用し,精度0.912,精度0.984の精度で正確な錠剤の同定に成功した。また,危険薬とデータセット内の非ハザード薬とを0.984の精度で区別できることを示した。われわれは、人工知能の力は、ドラッグテイクバックの操作をより効率的にし、全国で広く利用できるようになる製品に活用できると考えている。

関連論文リスト

DrugAgent: Explainable Drug Repurposing Agent with Large Language Model-based Reasoning [10.528489471229946]
本稿では,最先端の機械学習技術と知識統合を用いた医薬品再調達プロセスを強化するためのマルチエージェントフレームワークを提案する。 AIエージェントは、DTIモデルを訓練し、知識グラフエージェントはDGIdbを使用してDTIを系統的に抽出する。これらのエージェントからの出力を統合することで、外部データベースを含む多様なデータソースを効果的に活用し、実行可能な再資源化候補を提案する。
論文参考訳（メタデータ） (2024-08-23T21:24:59Z)
DrugCLIP: Contrastive Drug-Disease Interaction For Drug Repurposing [4.969453745531116]
DrugCLIPは、ネガティブなラベルなしで薬物と疾患の相互作用を学ぶための対照的な学習方法である。実地臨床試験記録に基づく薬物再服用データセットをキュレートした。
論文参考訳（メタデータ） (2024-07-02T13:41:59Z)
"Hey..! This medicine made me sick": Sentiment Analysis of User-Generated Drug Reviews using Machine Learning Techniques [2.2874754079405535]
本研究は、特定の薬物に関するユーザレビューを、ポジティブ、ネガティブ、中立などの異なるクラスに分類する薬物レビュー分類システムを提案する。収集されたデータは手動でラベル付けされ、ラベルが正しいことを保証するために手動で検証される。
論文参考訳（メタデータ） (2024-04-09T08:42:34Z)
Emerging Opportunities of Using Large Language Models for Translation Between Drug Molecules and Indications [6.832024637226738]
薬物分子とそれに対応する指標を翻訳する新しい課題を提案する。表示からの分子の生成、またはその逆は、病気のより効率的なターゲティングを可能にする。
論文参考訳（メタデータ） (2024-02-14T21:33:13Z)
Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network [69.16939798838159]
本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。 EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
論文参考訳（メタデータ） (2023-11-15T06:34:00Z)
Artificial Intelligence for Drug Discovery: Are We There Yet? [0.08306867559432653]
薬物発見は、効果的な治療開発を促進するために、データサイエンス、情報学、人工知能(AI)といった新しい技術に適応している。本稿では, 薬物発見の3つの柱である疾患, 標的, 治療モダリティにおけるAIの利用について論じる。
論文参考訳（メタデータ） (2023-07-13T01:51:26Z)
Knowledge-Driven New Drug Recommendation [88.35607943144261]
既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
論文参考訳（メタデータ） (2022-10-11T16:07:52Z)
Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。 MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
論文参考訳（メタデータ） (2022-03-28T05:44:29Z)
Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
論文参考訳（メタデータ） (2022-02-08T09:42:08Z)
SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
論文参考訳（メタデータ） (2021-05-05T00:20:48Z)
Computational Support for Substance Use Disorder Prevention, Detection, Treatment, and Recovery [62.9980747784214]
物質使用障害には、アルコール、オピオイド、マリファナ、メタンフェタミンの誤用が含まれる。成人12人中1人が薬物使用障害を患っている。全米薬物乱用協会(National Institute on Drug Abuse)は、SUDが年間5200億ドルの費用を負担していると推計している。
論文参考訳（メタデータ） (2020-06-23T18:30:20Z)

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。