論文の概要: Detecting ulcerative colitis from colon samples using efficient feature selection and machine learning

• arxiv url: http://arxiv.org/abs/2008.01615v1
• Date: Tue, 4 Aug 2020 14:56:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 01:18:32.381875
• Title: Detecting ulcerative colitis from colon samples using efficient feature selection and machine learning
• Title（参考訳）: 効率的な特徴選択と機械学習による大腸潰瘍性大腸炎の検出
• Authors: Hanieh Marvi Khorasani, Hamid Usefi, and Lourdes Pe\~na-Castillo
• Abstract要約: 潰瘍性大腸炎 (UC) は大腸粘膜層の炎症を特徴とする炎症性腸疾患(IBD)の1つである。 大腸サンプル中の32遺伝子の発現値に基づいて,健常者とUC患者を識別するモデルを構築した。 本モデルでは,全活動例を完全検出し,非活動例の平均精度は0.62であった。
• 参考スコア（独自算出の注目度）: 1.5484595752241122
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ulcerative colitis (UC) is one of the most common forms of inflammatory bowel disease (IBD) characterized by inflammation of the mucosal layer of the colon. Diagnosis of UC is based on clinical symptoms, and then confirmed based on endoscopic, histologic and laboratory findings. Feature selection and machine learning have been previously used for creating models to facilitate the diagnosis of certain diseases. In this work, we used a recently developed feature selection algorithm (DRPT) combined with a support vector machine (SVM) classifier to generate a model to discriminate between healthy subjects and subjects with UC based on the expression values of 32 genes in colon samples. We validated our model with an independent gene expression dataset of colonic samples from subjects in active and inactive periods of UC. Our model perfectly detected all active cases and had an average precision of 0.62 in the inactive cases. Compared with results reported in previous studies and a model generated by a recently published software for biomarker discovery using machine learning (BioDiscML), our final model for detecting UC shows better performance in terms of average precision.
• Abstract（参考訳）: 潰瘍性大腸炎 (uc) は大腸粘膜層の炎症を特徴とする炎症性腸疾患 (ibd) の最も一般的な形態の1つである。 UCの診断は臨床症状に基づいており、内視鏡、組織学的、検査所見に基づいて確認される。 機能選択と機械学習はこれまで、特定の疾患の診断を容易にするモデルの作成に用いられてきた。 本研究では,最近開発された機能選択アルゴリズム (drpt) とサポートベクターマシン (svm) を組み合わせることで, 健常者と健常者との識別モデルを作成し, 大腸検体中の32遺伝子の発現値に基づいてucを用いた。 UCのアクティブおよび非アクティブ期間の被験者から得られた大腸サンプルの独立遺伝子発現データセットを用いて本モデルを検証した。 モデルは全症例を完全検出し,不活性例の平均精度は0.62であった。 機械学習(BioDiscML)を用いたバイオマーカー発見のためのソフトウェアが最近発表した実験結果と比較すると,UC検出の最終モデルは平均精度で優れた性能を示した。

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)
• Interpretable pap smear cell representation for cervical cancer screening [3.8656297418166305]
  変分オートエンコーダを用いた1クラス分類に基づいて, 乳頭スミア画像の深部頸部細胞表現を学習する手法を提案する。 我々のモデルは、深層モデルの付加的な訓練を必要とせずに、異常を識別することができる。
  論文  参考訳（メタデータ） (2023-11-17T01:29:16Z)
• Large Language Models for Granularized Barrett's Esophagus Diagnosis Classification [4.144525746262123]
  病理報告から重要な診断表現型を抽出するためには, 精巧なマニュアルチャートのレビューが必要である。 我々は、データ抽出を自動化する一般化可能な変換器ベースの手法を開発した。 バイナリジスプラシア抽出は0.964F1スコア、マルチクラスモデルは0.911F1スコアを達成する。
  論文  参考訳（メタデータ） (2023-08-16T20:17:46Z)
• Interpretable histopathology-based prediction of disease relevant features in Inflammatory Bowel Disease biopsies using weakly-supervised deep learning [0.8521205677945196]
  Crohn's Disease(CD)とUlcerative Colitis(UC)は2種類の炎症性腸疾患である。 深層学習モデルを構築し,CDおよびUCの組織学的特徴を内視鏡的ラベルのみを用いて同定した。
  論文  参考訳（メタデータ） (2023-03-20T15:59:29Z)
• A Cross-institutional Evaluation on Breast Cancer Phenotyping NLP Algorithms on Electronic Health Records [19.824923994227202]
  臨床テキストから癌表現型を抽出する3種類のNLPモデルを開発した。 モデルは、異なる学習戦略を持つ異なるテストセット上での一般化可能性について評価した。 CancerBERTモデルは、ある機関で開発され、別の機関でさらに微調整され、合理的な性能を達成した。
  論文  参考訳（メタデータ） (2023-03-15T08:44:07Z)
• Lesion detection in contrast enhanced spectral mammography [0.0]
  近年の乳房画像解析のためのニューラルネットワークモデルの出現は、コンピュータ支援診断における画期的な進歩である。 本研究は,CESMリコンビネート画像に対する深層学習に基づくコンピュータ支援診断開発を提案し,病変の検出と症例の分類を行う。
  論文  参考訳（メタデータ） (2022-07-20T06:49:02Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。