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
- Diagnosis of Covid-19 Via Patient Breath Data Using Artificial
Intelligence [0.0]
本研究の目的は、患者の吐き気中の揮発性有機化合物(VOC)を検出することにより、新型コロナウイルスを検出できるPOSCTシステムを開発することである。
2020年12月から2021年3月までにイスタンブール・メディポール・メガ病院で142例の呼吸サンプルを採取した。
Gradient Boosting(グラディエント・ブースティング)アルゴリズムは、新型コロナウイルス陽性患者を予測する場合95%のリコールと、新型コロナウイルス陰性患者を予測する場合の96%の精度を提供する。
論文 参考訳(メタデータ) (2023-01-24T22:00:00Z) - 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) - Advancing Brain Metastases Detection in T1-Weighted Contrast-Enhanced 3D
MRI using Noisy Student-based Training [1.101002667958165]
本研究は, 未ラベルのT1cデータの大規模コーパスを活用するため, ノイズの多い学生による自己学習戦略により, フレームワークを前進させることを目的としている。
ラベル付き217とラベルなし1247のT1c試験を2倍のクロスバリデーションで行った。
ラベル付き試験のみを使用したフレームワークは、90%のBM検出感度で9.23の偽陽性を発生させ、一方、導入した学習戦略を使用したフレームワークは、9%の誤検出を減少させた。
論文 参考訳(メタデータ) (2021-11-10T21:44:57Z) - 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) - Automatic Cough Classification for Tuberculosis Screening in a
Real-World Environment [5.6663315405998365]
結核(tb)患者と他の肺疾患患者が発する発声音とを自動的に判別することが可能であることを示す第1報を報告する。
本実験は, TB患者16名, 呼吸器疾患患者33名, TB以外の患者33名を対象に, 実世界の診療所で得られたコークス記録のデータセットに基づいて行った。
以上の結果から, 音素の自動分類は, TBの低コストで展開可能なフロントラインスクリーニングの手段として有望であり, 開発途上国のTB負荷に大きく貢献すると考えられる。
論文 参考訳(メタデータ) (2021-03-23T15:03:52Z) - Weak labels and anatomical knowledge: making deep learning practical for
intracranial aneurysm detection in TOF-MRA [0.0]
我々は、過大な弱いラベルを用いてトレーニングされる、完全に自動化されたディープニューラルネットワークを開発する。
当社のネットワークは、社内データで平均77%の感度を達成し、患者1人当たりの平均False Positive(FP)レートは0.72です。
論文 参考訳(メタデータ) (2021-03-10T16:31:54Z) - 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) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳(メタデータ) (2020-02-12T00:59:23Z)
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。