Fugu-MT 論文翻訳(概要): Interpreting Deep Glucose Predictive Models for Diabetic People Using RETAIN

論文の概要: Interpreting Deep Glucose Predictive Models for Diabetic People Using RETAIN

arxiv url: http://arxiv.org/abs/2009.04524v1
Date: Tue, 8 Sep 2020 13:20:15 GMT
ステータス: 処理完了
システム内更新日: 2022-10-20 21:46:01.429816
Title: Interpreting Deep Glucose Predictive Models for Diabetic People Using RETAIN
Title（参考訳）: RETAINを用いた糖尿病患者の深部グルコース予測モデルの解析
Authors: Maxime De Bois, Moun\^im A. El Yacoubi, Mehdi Ammi
Abstract要約: 糖尿病患者における将来の血糖値予測のためのRETAINアーキテクチャについて検討した。 2段階のアテンションメカニズムのおかげで、RETAINモデルは解釈可能であり、標準的なニューラルネットワークと同じくらい効率的である。
参考スコア（独自算出の注目度）: 4.692400531340393
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Progress in the biomedical field through the use of deep learning is hindered by the lack of interpretability of the models. In this paper, we study the RETAIN architecture for the forecasting of future glucose values for diabetic people. Thanks to its two-level attention mechanism, the RETAIN model is interpretable while remaining as efficient as standard neural networks. We evaluate the model on a real-world type-2 diabetic population and we compare it to a random forest model and a LSTM-based recurrent neural network. Our results show that the RETAIN model outperforms the former and equals the latter on common accuracy metrics and clinical acceptability metrics, thereby proving its legitimacy in the context of glucose level forecasting. Furthermore, we propose tools to take advantage of the RETAIN interpretable nature. As informative for the patients as for the practitioners, it can enhance the understanding of the predictions made by the model and improve the design of future glucose predictive models.
Abstract（参考訳）: 深層学習によるバイオメディカル分野の進歩は、モデルの解釈可能性の欠如によって妨げられている。本稿では,糖尿病患者に対する将来の血糖値予測のためのRETAINアーキテクチャについて検討する。 2レベルアテンション機構のおかげで、retainモデルは標準的なニューラルネットワークと同じくらい効率的でありながら解釈可能である。実世界の2型糖尿病患者を対象に,無作為な森林モデルとLSTMをベースとしたリカレントニューラルネットワークとの比較を行った。以上の結果から, 保持モデルは, 前者より優れており, 共通精度指標と臨床受容度指標では後者と同等であり, グルコースレベル予測の文脈でその正当性が証明された。さらに,RETAINの解釈可能な性質を活用するツールを提案する。患者にとって, 患者にとって有益であるように, モデルによる予測の理解を深め, 将来のグルコース予測モデルの設計を改善することができる。

関連論文リスト

From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [50.80532910808962]
GluFormerは、トランスフォーマーアーキテクチャに基づく生体医学的時間的データの生成基盤モデルである。 GluFormerは5つの地理的領域にまたがる4936人を含む15の異なる外部データセットに一般化されている。今後4年間の健康状態も予測できる。
論文参考訳（メタデータ） (2024-08-20T13:19:06Z)
Comparative Analysis of LSTM Neural Networks and Traditional Machine Learning Models for Predicting Diabetes Patient Readmission [0.0]
本研究はDiabetes 130-US Hospitalsデータセットを用いて,各種機械学習モデルによる寛解患者の分析と予測を行う。 LightGBMは、XGBoostが首位だったのに対して、従来のモデルとしてはベストだった。本研究は,予測医療モデリングにおいて,モデル選択,検証,解釈可能性が重要なステップであることを示す。
論文参考訳（メタデータ） (2024-06-28T15:06:22Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
Machine Learning based prediction of Glucose Levels in Type 1 Diabetes Patients with the use of Continuous Glucose Monitoring Data [0.0]
連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)デバイスは、患者の血糖値に関する詳細な、非侵襲的でリアルタイムな洞察を提供する。将来のグルコースレベルの予測方法としての高度な機械学習(ML)モデルを活用することで、生活改善の実質的な品質がもたらされる。
論文参考訳（メタデータ） (2023-02-24T19:10:40Z)
Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文参考訳（メタデータ） (2022-12-17T23:29:14Z)
HAD-Net: Hybrid Attention-based Diffusion Network for Glucose Level Forecast [0.0]
HAD-Netは、生理学的モデルから深いニューラルネットワークに知識を蒸留するハイブリッドモデルである。生体にインスパイアされたディープラーニングアーキテクチャを通じてグルコース、インスリン、炭水化物拡散をモデル化する。
論文参考訳（メタデータ） (2021-11-14T21:32:42Z)
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)
On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文参考訳（メタデータ） (2021-06-25T08:32:45Z)
Enhancing the Interpretability of Deep Models in Heathcare Through Attention: Application to Glucose Forecasting for Diabetic People [4.692400531340393]
我々は,タイプ2 IDIABとタイプ1 OhioT1DMデータセットのRETAINモデルを評価する。我々は、RETAINモデルが精度と解釈可能性の間に非常に良い妥協をもたらすことを示した。
論文参考訳（メタデータ） (2020-09-08T13:27:52Z)
Prediction-Coherent LSTM-based Recurrent Neural Network for Safer Glucose Predictions in Diabetic People [4.692400531340393]
本稿では,予測の安定性を高めるLSTMに基づくリカレントニューラルネットワークアーキテクチャと損失関数を提案する。研究は1型と2型糖尿病患者を対象に行われ、30分前の予測に焦点をあてた。
論文参考訳（メタデータ） (2020-09-08T13:14:08Z)
Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。