Fugu-MT 論文翻訳(概要): Cost-Sensitive Machine Learning Classification for Mass Tuberculosis Verbal Screening

論文の概要: Cost-Sensitive Machine Learning Classification for Mass Tuberculosis Verbal Screening

arxiv url: http://arxiv.org/abs/2011.07396v1
Date: Sat, 14 Nov 2020 21:41:29 GMT
ステータス: 処理完了
システム内更新日: 2022-09-25 14:04:51.480427
Title: Cost-Sensitive Machine Learning Classification for Mass Tuberculosis Verbal Screening
Title（参考訳）: 質量結核バーバルスクリーニングのためのコスト感性機械学習分類
Authors: Ali Akbar Septiandri, Aditiawarman, Roy Tjiong, Erlina Burhan, Anuraj Shankar
Abstract要約: 識別値の感度は1.26%,特異性は13.19%向上した。その結果, 限られたデータであっても, 言語スクリーニングからTB容疑者を識別するより良い手法を実際に考案できることが示唆された。
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: Score-based algorithms for tuberculosis (TB) verbal screening perform poorly, causing misclassification that leads to missed cases and unnecessary costly laboratory tests for false positives. We compared score-based classification defined by clinicians to machine learning classification such as SVM-RBF, logistic regression, and XGBoost. We restricted our analyses to data from adults, the population most affected by TB, and investigated the difference between untuned and unweighted classifiers to the cost-sensitive ones. Predictions were compared with the corresponding GeneXpert MTB/Rif results. After adjusting the weight of the positive class to 40 for XGBoost, we achieved 96.64% sensitivity and 35.06% specificity. As such, the sensitivity of our identifier increased by 1.26% while specificity increased by 13.19% in absolute value compared to the traditional score-based method defined by our clinicians. Our approach further demonstrated that only 2000 data points were sufficient to enable the model to converge. The results indicate that even with limited data we can actually devise a better method to identify TB suspects from verbal screening.
Abstract（参考訳）: 結核 (TB) 言語スクリーニングのためのスコアベースアルゴリズムは, 誤分類の原因となり, 偽陽性の検査に要する費用がかかる。臨床医が定義したスコアベース分類を,SVM-RBF,ロジスティック回帰,XGBoostなどの機械学習分類と比較した。 tbに最も影響を受ける個体群である成人のデータに分析を限定し,未調整分類群と非重み付け分類群とコストに敏感な個体群の違いを調査した。予測は対応するGeneXpert MTB/Rifの結果と比較した。 xgboostの陽性クラスの重量を40に調整した結果、96.64%の感度と35.06%の特異性を得た。その結果, 識別感度は1.26%上昇し, 特異度は13.19%上昇した。我々のアプローチはさらに、モデルを収束させるのに十分なデータポイントは2000点しかないことを実証した。その結果, 限られたデータであっても, tb被疑者を言語スクリーニングから識別するより良い方法が提案できることがわかった。

関連論文リスト

Outlier-Oriented Poisoning Attack: A Grey-box Approach to Disturb Decision Boundaries by Perturbing Outliers in Multiclass Learning [0.0]
本稿では,決定境界から最も離れたサンプルのラベルを操作するOOP(Outlier-Oriented Poisoning)攻撃について紹介する。マルチクラス分類シナリオにおいて,このような攻撃が異なる機械学習アルゴリズムに与える影響についても検討した。
論文参考訳（メタデータ） (2024-11-01T11:38:12Z)
Few-Shot Learning Approach on Tuberculosis Classification Based on Chest X-Ray Images [0.0]
TB胸部X線データセットのクラス不均衡は、正確な分類の課題である。本稿では,この問題に対処するために,プロトタイプネットワークアルゴリズムを用いた数ショットの学習手法を提案する。実験の結果、ResNet-18の98.93%、ResNet-50の98.60%、VGG16の33.33%の分類精度が確認された。
論文参考訳（メタデータ） (2024-09-18T02:15:01Z)
Optimizing Mortality Prediction for ICU Heart Failure Patients: Leveraging XGBoost and Advanced Machine Learning with the MIMIC-III Database [1.5186937600119894]
心臓不全は世界中の何百万人もの人々に影響を与え、生活の質を著しく低下させ、高い死亡率をもたらす。広範な研究にもかかわらず、ICU患者の心不全と死亡率の関係は、完全には理解されていない。本研究は、ICD-9コードを用いて、MIMIC-IIIデータベースから18歳以上の1,177人のデータを解析した。
論文参考訳（メタデータ） (2024-09-03T07:57:08Z)
PersonalizedUS: Interpretable Breast Cancer Risk Assessment with Local Coverage Uncertainty Quantification [2.6911061523689415]
現在の「ゴールドスタンダード」は、臨床医による手動のBI-RADSスコアに依存しており、しばしば不必要な生検や、患者とその家族に対する精神的な負担を伴っている。我々は、直列予測の最近の進歩を活用して、正確でパーソナライズされたリスク推定を提供する、パーソナライズされた機械学習システムであるPersonalizedUSを紹介する。具体的な臨床効果としては、BI-RADS 4aと4bの病変のうち、要求された生検を最大で65%減らし、がんの再発は最小限である。
論文参考訳（メタデータ） (2024-08-28T00:47:55Z)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
MOMO -- Deep Learning-driven classification of external DICOM studies for PACS archivation [0.9498643829295902]
MOMO(Modality Mapping and Orchestration)は、このマッピングプロセスを自動化するためのディープラーニングベースのアプローチである。既存のラベルを持つ11,934個の画像シリーズが、地元の病院のPACSデータベースから検索され、ニューラルネットワークを訓練した。 MOMOは精度の大きなマージンと予測力(99.29%の予測力、92.71%の精度、2.63%のマイナーエラー)で上回る。
論文参考訳（メタデータ） (2021-12-01T17:16:41Z)
Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文参考訳（メタデータ） (2021-05-06T10:21:28Z)
A novel multiple instance learning framework for COVID-19 severity assessment via data augmentation and self-supervised learning [64.90342559393275]
新型コロナウイルスの重症度を迅速かつ正確に評価する方法は、世界中の何百万人もの人々がパンデミックに苦しんでいる場合に必要不可欠な問題だ。 CT画像による新型コロナウイルスの重症度自動評価を妨害する可能性のある、弱いアノテーションと不十分なデータという2つの問題があることを観察する。平均精度は95.8%で、感度は93.6%、特異性は96.4%で、前作より優れていた。
論文参考訳（メタデータ） (2021-02-07T16:30:18Z)
Classification supporting COVID-19 diagnostics based on patient survey data [82.41449972618423]
新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
論文参考訳（メタデータ） (2020-11-24T17:44:01Z)
Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文参考訳（メタデータ） (2020-05-15T06:57:54Z)
JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文参考訳（メタデータ） (2020-04-15T12:30:40Z)

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。