論文の概要: A smartphone based multi input workflow for non-invasive estimation of haemoglobin levels using machine learning techniques

• arxiv url: http://arxiv.org/abs/2011.14370v1
• Date: Sun, 29 Nov 2020 13:57:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 09:05:48.386363
• Title: A smartphone based multi input workflow for non-invasive estimation of haemoglobin levels using machine learning techniques
• Title（参考訳）: 機械学習によるヘモグロビンレベルの非侵襲的推定のためのスマートフォン型マルチ入力ワークフロー
• Authors: Sarah, S.Sidhartha Narayan, Irfaan Arif, Hrithwik Shalu, Juned Kadiwala
• Abstract要約: 画像処理,機械学習,ディープラーニングを組み合わせることで,ヘモグロビン濃度を測定する予測モデルを開発する。 これは、患者の指爪床、頭蓋結膜、舌の色解析によって達成される。
• 参考スコア（独自算出の注目度）: 0.2519906683279153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We suggest a low cost, non invasive healthcare system that measures haemoglobin levels in patients and can be used as a preliminary diagnostic test for anaemia. A combination of image processing, machine learning and deep learning techniques are employed to develop predictive models to measure haemoglobin levels. This is achieved through the color analysis of the fingernail beds, palpebral conjunctiva and tongue of the patients. This predictive model is then encapsulated in a healthcare application. This application expedites data collection and facilitates active learning of the model. It also incorporates personalized calibration of the model for each patient, assisting in the continual monitoring of the haemoglobin levels of the patient. Upon validating this framework using data, it can serve as a highly accurate preliminary diagnostic test for anaemia.
• Abstract（参考訳）: 我々は,低費用で非侵襲的にヘモグロビン濃度を測定し,貧血の予備診断試験として使用できる医療システムを提案する。 画像処理、機械学習、ディープラーニング技術を組み合わせて、ヘモグロビンレベルを測定するための予測モデルを開発した。 これは、患者の指爪床、頭蓋結膜、舌の色解析によって達成される。 この予測モデルは、医療アプリケーションにカプセル化される。 このアプリケーションはデータ収集を迅速化し、モデルのアクティブな学習を促進する。 また,各患者のヘモグロビン濃度の連続的なモニタリングを支援するため,各患者ごとに個別にモデルのキャリブレーションを行う。 データを用いてこのフレームワークを検証すると、アナ血症の高精度な予備診断テストとして機能する。

関連論文リスト

• A Hybrid Feature Fusion Deep Learning Framework for Leukemia Cancer Detection in Microscopic Blood Sample Using Gated Recurrent Unit and Uncertainty Quantification [1.024113475677323]
  白血病は、顕微鏡で血液や骨髄の腫れを分析して診断され、さらなる細胞化学的検査によって確認される。 深層学習は、白血病細胞の検出を補助する、顕微鏡スミア画像を分類する高度な方法を提供している。 本研究では,急性リンパ性白血病(ALL)の分類のためのハイブリッドディープラーニングモデルを構築した。 提案手法は、ALL-IDB1データセットで100%、ALL-IDB2データセットで98.07%、組み合わせたデータセットで98.64%という顕著な検出精度を達成した。
  論文  参考訳（メタデータ） (2024-10-18T15:23:34Z)
• Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
  ニューラルセルオートマトン(NCA)を用いた白血球分類の新しいアプローチを提案する。 NCAに基づく手法はパラメータの面で著しく小さく,ドメインシフトに対する堅牢性を示す。 その結果,NAAは画像分類に利用でき,従来の手法の課題に対処できることがわかった。
  論文  参考訳（メタデータ） (2024-04-08T14:59:53Z)
• Classification of White Blood Cells Using Machine and Deep Learning Models: A Systematic Review [8.452349885923507]
  機械学習(ML)とディープラーニング(DL)モデルは、医療画像の分析を大幅に改善するために採用されている。 モデル予測と分類は、様々ながんや腫瘍の診断を支援する。 本総説では,白細胞分類のための医用画像解析の領域内で適用された最新の技術について,詳細な分析を行った。
  論文  参考訳（メタデータ） (2023-08-11T06:32:25Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
  本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。 トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。 本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-01T14:12:58Z)
• Enabling scalable clinical interpretation of ML-based phenotypes using real world data [0.0]
  本研究では,大規模なERHデータセットを用いて患者層化分析を行う手法について検討した。 本研究は, 患者層分類結果の臨床的評価と解釈を容易にするためのいくつかのツールを開発した。
  論文  参考訳（メタデータ） (2022-08-02T17:31:03Z)
• Multi-task fusion for improving mammography screening data classification [3.7683182861690843]
  まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。 次に、標準モデルの集合戦略とは対照的に、その融合について検討する。 我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
  論文  参考訳（メタデータ） (2021-12-01T13:56:27Z)
• 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)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。