論文の概要: Proposing a two-step Decision Support System (TPIS) based on Stacked ensemble classifier for early and low cost (step-1) and final (step-2) differential diagnosis of Mycobacterium Tuberculosis from non-tuberculosis Pneumonia

• arxiv url: http://arxiv.org/abs/2009.02316v1
• Date: Fri, 4 Sep 2020 17:47:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 01:49:54.651074
• Title: Proposing a two-step Decision Support System (TPIS) based on Stacked ensemble classifier for early and low cost (step-1) and final (step-2) differential diagnosis of Mycobacterium Tuberculosis from non-tuberculosis Pneumonia
• Title（参考訳）: 非結核性肺炎からの結核菌の早期・早期診断(step-1)と最終診断(step-2)の2段階判定支援システム(tpis)の提案
• Authors: Toktam Khatibi, Ali Farahani, Hossein Sarmadian
• Abstract要約: マイコバクテリウム結核(Mycobacterium tuberculosis, TB)は、肺炎に類似した症状を示す感染症である。 本研究では,肺炎からのTBの鑑別にTPISという2段階決定支援システムを提案する。
• 参考スコア（独自算出の注目度）: 3.5128547933798275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Mycobacterium Tuberculosis (TB) is an infectious bacterial disease presenting similar symptoms to pneumonia; therefore, differentiating between TB and pneumonia is challenging. Therefore, the main aim of this study is proposing an automatic method for differential diagnosis of TB from Pneumonia. Methods: In this study, a two-step decision support system named TPIS is proposed for differential diagnosis of TB from pneumonia based on stacked ensemble classifiers. The first step of our proposed model aims at early diagnosis based on low-cost features including demographic characteristics and patient symptoms (including 18 features). TPIS second step makes the final decision based on the meta features extracted in the first step, the laboratory tests and chest radiography reports. This retrospective study considers 199 patient medical records for patients suffering from TB or pneumonia, which has been registered in a hospital in Arak, Iran. Results: Experimental results show that TPIS outperforms the compared machine learning methods for early differential diagnosis of pulmonary tuberculosis from pneumonia with AUC of 90.26 and accuracy of 91.37 and final decision making with AUC of 92.81 and accuracy of 93.89. Conclusions: The main advantage of early diagnosis is beginning the treatment procedure for confidently diagnosed patients as soon as possible and preventing latency in treatment. Therefore, early diagnosis reduces the maturation of late treatment of both diseases.
• Abstract（参考訳）: 背景: Mycobacterium tuberculosis (TB) は肺炎に類似した症状を示す感染症であり, TBと肺炎の鑑別は困難である。 そこで本研究の目的は,肺炎からのtbの鑑別診断を自動的に行う方法を提案することである。 方法: 本研究では, 重畳型アンサンブル分類器を用いて, 肺炎からのTBの鑑別診断にTPISという2段階決定支援システムを提案する。 提案モデルの最初のステップは、人口動態の特徴や患者症状(18特徴を含む)を含む低コストの特徴に基づく早期診断である。 TPISの第2段階は,第1段階から抽出したメタ特徴,実験室試験,胸部X線検査に基づいて最終決定を行う。 本研究は、イランのアラクにある病院に登録されたtbまたは肺炎患者に対する199件の医療記録を振り返るものである。 結果: 実験結果から, 肺結核の早期鑑別診断は, 90.26例, AUC 91.37例, AUC 92.81例, 93.89例において, TPIS は比較した機械学習手法よりも優れていた。 結論:早期診断の主な利点は、患者をできるだけ早く診断し、治療の遅れを予防する処置を開始することである。 したがって、早期診断は両疾患の遅発治療の成熟を減少させる。

関連論文リスト

• A Foundational Framework and Methodology for Personalized Early and Timely Diagnosis [84.6348989654916]
  本稿では,早期診断とタイムリー診断のための基礎的枠組みを提案する。 診断過程を概説する決定論的アプローチに基づいている。 機械学習と統計手法を統合し、最適なパーソナライズされた診断経路を推定する。
  論文  参考訳（メタデータ） (2023-11-26T14:42:31Z)
• Identification of Pediatric Respiratory Diseases Using Fine-grained Diagnosis System [41.60894942209209]
  喘息、気管支炎、肺炎、上気道感染症(RTI)などの呼吸器疾患は、クリニックで最も一般的な疾患である。 小児科では、患者の状況を表現する能力に限界があるため、正確な診断がさらに困難になる。 本稿では,小児科における詳細な診断支援システムを提案する。
  論文  参考訳（メタデータ） (2021-08-24T16:09:39Z)
• Class dependency based learning using Bi-LSTM coupled with the transfer learning of VGG16 for the diagnosis of Tuberculosis from chest x-rays [0.0]
  本稿では,後部胸部X線検査からTBの診断を自動で行う方法を提案する。 提案されたモデルは97.76%、97.01%、96.42%、94.11%の精度と感度を達成した。
  論文  参考訳（メタデータ） (2021-07-19T15:13:46Z)
• An Automated Approach for Timely Diagnosis and Prognosis of Coronavirus Disease [1.52292571922932]
  コロナウイルス病2019(COVID-19)の流行以降、感染した患者の多くは高熱、乾ききき、喉の腫れなどと診断され、重篤な肺炎に繋がった。 これまで、肺イメージングによるCOVID-19の診断は、この疾患の早期診断の主要な証拠であることが証明されています。 提案手法は,非造影CT(non-contrast chest Computed tomography)スキャンによる疾患の自動診断と予後に焦点をあてるものである。
  論文  参考訳（メタデータ） (2021-04-29T05:26:30Z)
• Pinball-OCSVM for early-stage COVID-19 diagnosis with limited posteroanterior chest X-ray images [3.4935179780034247]
  本研究は、新型コロナウイルス陽性のCXRサンプルを限定した状態で動作可能な、ピンボール損失関数に基づく1クラスサポートベクターマシン(PB-OCSVM)を提案する。 提案モデルの性能は従来のOCSVMや既存のディープラーニングモデルと比較し,実験結果から,提案モデルが最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-10-16T02:34:15Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
  肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。 コンピュータ支援診断システムは診断精度を向上させる可能性を示した。 本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
  論文  参考訳（メタデータ） (2020-05-28T10:54:34Z)
• Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
  最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。 多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。 本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
  論文  参考訳（メタデータ） (2020-05-06T15:19:15Z)
• COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
  新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。 近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。 本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
  論文  参考訳（メタデータ） (2020-04-30T03:13:40Z)
• Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia [10.225348237731787]
  新型コロナウイルスのCT像は、インフルエンザウイルス性肺炎など他の種類のウイルス性肺炎と異なる独自の特徴を持つ。 本研究は, 深層学習技術を用いて, インフルエンザとインフルエンザウイルスの鑑別を行う早期スクリーニングモデルを確立することを目的とした。
  論文  参考訳（メタデータ） (2020-02-21T14:44:21Z)

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。