論文の概要: Analysing Risk of Coronary Heart Disease through Discriminative Neural Networks

• arxiv url: http://arxiv.org/abs/2008.02731v1
• Date: Wed, 17 Jun 2020 06:30:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 20:00:06.509904
• Title: Analysing Risk of Coronary Heart Disease through Discriminative Neural Networks
• Title（参考訳）: 判別型ニューラルネットワークによる冠動脈疾患のリスク解析
• Authors: Ayush Khaneja, Siddharth Srivastava, Astha Rai, A S Cheema, P K Srivastava
• Abstract要約: 診断のような重要なアプリケーションでは、このクラス不均衡は見過ごせない。 我々は、識別モデルと対照的な損失を用いて、ニューラルネットワークを介して、このクラス不均衡をどう扱えるかを説明する。
• 参考スコア（独自算出の注目度）: 18.124078832445967
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The application of data mining, machine learning and artificial intelligence techniques in the field of diagnostics is not a new concept, and these techniques have been very successfully applied in a variety of applications, especially in dermatology and cancer research. But, in the case of medical problems that involve tests resulting in true or false (binary classification), the data generally has a class imbalance with samples majorly belonging to one class (ex: a patient undergoes a regular test and the results are false). Such disparity in data causes problems when trying to model predictive systems on the data. In critical applications like diagnostics, this class imbalance cannot be overlooked and must be given extra attention. In our research, we depict how we can handle this class imbalance through neural networks using a discriminative model and contrastive loss using a Siamese neural network structure. Such a model does not work on a probability-based approach to classify samples into labels. Instead it uses a distance-based approach to differentiate between samples classified under different labels. The code is available at https://tinyurl.com/DiscriminativeCHD/
• Abstract（参考訳）: 診断分野におけるデータマイニング、機械学習、人工知能技術の応用は、新しい概念ではなく、これらの技術は、特に皮膚科学やがん研究において、様々な応用に非常に成功している。 しかし、検査が真または偽(バイナリ分類)をもたらす医学的問題の場合、データは一般に1つのクラスに属するサンプルとクラス不均衡を持っている(例:患者が定期的な検査を受け、結果が偽である)。 このようなデータの格差は、データ上の予測システムをモデル化しようとすると問題を引き起こす。 診断などの重要なアプリケーションでは、このクラス不均衡は見過ごせないため、追加の注意を払わなければならない。 本研究では,このクラス不均衡をニューラルネットワークを介して識別モデルを用いて扱う方法と,シームズニューラルネットワーク構造を用いたコントラスト損失について述べる。 このようなモデルは、サンプルをラベルに分類する確率に基づくアプローチでは動作しない。 代わりに、異なるラベルの下に分類されたサンプルを区別するために、距離に基づくアプローチを使用する。 コードはhttps://tinyurl.com/DiscriminativeCHD/で入手できる。

関連論文リスト

• An Autoencoder and Generative Adversarial Networks Approach for Multi-Omics Data Imbalanced Class Handling and Classification [2.2940141855172036]
  分子生物学では、マルチオミクスシークエンシングから生成されるデータの爆発があった。 従来の統計手法は、そのような高次元データを扱う際に難しい課題に直面している。 この研究は、オートエンコーダを組み込んだニューラルネットワークでこれらの課題に取り組むことに焦点を当て、特徴の潜在空間を抽出する。
  論文  参考訳（メタデータ） (2024-05-16T01:45:55Z)
• Comparison of Machine Learning Classification Algorithms and Application to the Framingham Heart Study [0.0]
  医療における機械学習アルゴリズムの使用は、社会的不正と健康上の不平等を増幅することができる。 本研究は,機械学習分類アルゴリズムの開発と展開後における一般化可能性障害に関するものである。
  論文  参考訳（メタデータ） (2024-02-22T22:49:35Z)
• Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
  医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。 データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。 本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T16:59:27Z)
• Neuroevolutionary algorithms driven by neuron coverage metrics for semi-supervised classification [60.60571130467197]
  一部の機械学習アプリケーションでは、ラベル付けされていないインスタンスが豊富であるのに対して、教師付き分類のためのラベル付きインスタンスの可用性は制限されている。 本稿では、ニューラルネットワークアーキテクチャ上で計算されたニューラルネットワークカバレッジメトリクスを用いて、未ラベルのインスタンスを利用する神経進化的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-03-05T23:38:44Z)
• Analyzing the Effects of Handling Data Imbalance on Learned Features from Medical Images by Looking Into the Models [50.537859423741644]
  不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。 ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
  論文  参考訳（メタデータ） (2022-04-04T09:38:38Z)
• Algorithmic encoding of protected characteristics and its implications on disparities across subgroups [17.415882865534638]
  機械学習モデルは、患者の人種的アイデンティティと臨床結果の間に望ましくない相関関係を拾うことができる。 これらのバイアスがどのようにコード化され、どのように異なるパフォーマンスを減らしたり、取り除いたりするかについては、ほとんど分かっていない。
  論文  参考訳（メタデータ） (2021-10-27T20:30:57Z)
• RA-GCN: Graph Convolutional Network for Disease Prediction Problems with Imbalanced Data [47.00510780034136]
  クラス不均衡は疾患予測の分野でよく知られた問題である。 本稿では,グラフベースの分類器の性能を高めるために,Re-weighted Adversarial Graph Convolutional Network (RA-GCN)を提案する。 本研究では,ra-gcnの合成および3種類の医療用データセットに対する優越性を示す。
  論文  参考訳（メタデータ） (2021-02-27T14:06:27Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• 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)
• Outlier Detection through Null Space Analysis of Neural Networks [3.220347094114561]
  我々は、ヌル空間の概念を用いて、外れ値検出法を直接、分類に使用されるニューラルネットワークに統合する。 ニューラルネットワークのNull Space Analysis(NuSA)と呼ばれるこの手法は、データがネットワークを通過するときのヌル空間投影の大きさを計算し、制御する。 その結果、NuSAでトレーニングされたネットワークは、分類性能を維持しつつ、一般的に使用される外れ値検出アルゴリズムと同様の速度で外れ値を検出することができることが示された。
  論文  参考訳（メタデータ） (2020-07-02T17:17:21Z)

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。