論文の概要: A Role for Prior Knowledge in Statistical Classification of the
Transition from MCI to Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2012.00538v1
- Date: Sat, 28 Nov 2020 18:15:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 20:05:50.434278
- Title: A Role for Prior Knowledge in Statistical Classification of the
Transition from MCI to Alzheimer's Disease
- Title（参考訳）: MCIからアルツハイマー病への移行の統計的分類における事前知識の役割
- Authors: Zihuan Liu, Tapabrate Maiti and Andrew R.Bender
- Abstract要約: 軽度認知障害(MCI)からアルツハイマー病(AD)への移行は臨床研究者にとって大きな関心事である。
分類のための機械学習(ML)アプローチの成長は、多くの臨床研究者にロジスティック回帰(LR)の価値を過小評価させる可能性がある
本稿では,ADに関わる脳領域の臨床的知識に基づいて,効率的な特徴選択を利用する方法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The transition from mild cognitive impairment (MCI) to Alzheimer's disease
(AD) is of great interest to clinical researchers. This phenomenon also serves
as a valuable data source for quantitative methodological researchers
developing new approaches for classification. However, the growth of machine
learning (ML) approaches for classification may falsely lead many clinical
researchers to underestimate the value of logistic regression (LR), yielding
equivalent or superior classification accuracy over other ML methods. Further,
in applications with many features that could be used for classifying the
transition, clinical researchers are often unaware of the relative value of
different selection procedures. In the present study, we sought to investigate
the use of automated and theoretically-guided feature selection techniques, and
as well as the L-1 norm when applying different classification techniques for
predicting conversion from MCI to AD in a highly characterized and studied
sample from the Alzheimer's Disease Neuroimaging Initiative (ADNI). We propose
an alternative pre-selection technique that utilizes an efficient feature
selection based on clinical knowledge of brain regions involved in AD. The
present findings demonstrate how similar performance can be achieved using
user-guided pre-selection versus algorithmic feature selection techniques.
Finally, we compare the performance of a support vector machine (SVM) with that
of logistic regression on multi-modal data from ADNI. The present findings show
that although SVM and other ML techniques are capable of relatively accurate
classification, similar or higher accuracy can often be achieved by LR,
mitigating SVM's necessity or value for many clinical researchers.
- Abstract（参考訳）: 軽度認知障害(MCI)からアルツハイマー病(AD)への移行は臨床研究者にとって大きな関心事である。
この現象は、新しい分類法を開発する定量的方法論の研究者にとって貴重なデータ源でもある。
しかし、分類のための機械学習(ML)アプローチの成長は、多くの臨床研究者にロジスティック回帰(LR)の価値を過小評価させ、他のML手法よりも同等または優れた分類精度をもたらす可能性がある。
さらに、遷移の分類に使用できる多くの特徴を有するアプリケーションでは、臨床研究者は、異なる選択手順の相対的な価値を知らないことが多い。
本研究では,MCIからADへの変換を予測するための分類手法を高度に評価し,アルツハイマー病神経画像イニシアチブ(ADNI)のサンプルに応用する際の,自動的および理論的に誘導された特徴選択技術,およびL-1ノルムの使用について検討した。
そこで本研究では,ad関連脳領域の臨床知識に基づいた効率的な特徴選択手法を提案する。
本研究は, ユーザガイドによる事前選択とアルゴリズム的特徴選択技術を用いて, 類似した性能を実現できることを示す。
最後に, サポートベクトルマシン(SVM)の性能とADNIのマルチモーダルデータに対するロジスティック回帰の性能を比較した。
以上の結果から,SVMおよび他のML技術は比較的正確な分類が可能であるが,多くの臨床研究者にとってSVMの必要性や価値を軽減し,LRにより類似または高い精度が達成できることが示唆された。
関連論文リスト
- Cluster-based human-in-the-loop strategy for improving machine learning-based circulating tumor cell detection in liquid biopsy [0.0]
本研究では,機械学習によるCTC検出を改善するためのHuman-in-the-loop(HiL)戦略を提案する。
我々は,自己教師型ディープラーニングと従来のMLに基づく分類器を組み合わせて,人間専門家による新たな未ラベルトレーニングサンプルの反復的サンプリングとラベル付けを提案する。
転移性乳癌患者の液体生検データに対して,本手法の利点を実証した。
論文 参考訳（メタデータ） (2024-11-25T12:26:48Z) - MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。
セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文 参考訳（メタデータ） (2024-06-12T15:22:56Z) - Graph-Ensemble Learning Model for Multi-label Skin Lesion Classification
using Dermoscopy and Clinical Images [7.159532626507458]
本研究では,グラフ畳み込みネットワーク(GCN)を導入し,相関行列として各カテゴリ間の先行的共起を多ラベル分類のためのディープラーニングモデルに活用する。
本稿では,GCNからの予測を融合モデルからの予測の補完情報とみなすグラフ・アンサンブル学習モデルを提案する。
論文 参考訳（メタデータ） (2023-07-04T13:19:57Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Artificial Intelligence for Dementia Research Methods Optimization [0.49050354212898845]
本稿では,認知症研究において最も頻繁に使用される機械学習アルゴリズムの概要を紹介する。
本稿では, 再現性と解釈可能性の問題と, 認知症研究の臨床的応用性への影響について論じる。
本稿では, 伝達学習, マルチタスク学習, 強化学習といった最先端の手法が, これらの課題を克服するためにどのように応用されるかを示す。
論文 参考訳（メタデータ） (2023-03-02T08:50:25Z) - Tensor-Based Multi-Modality Feature Selection and Regression for
Alzheimer's Disease Diagnosis [25.958167380664083]
アルツハイマー病(AD)と軽度認知障害(MCI)の診断・バイオマーカー同定のための新しいテンソルベース多モード特徴選択と回帰法を提案する。
3つの画像モダリティを用いたADNIデータ解析における本手法の実用的利点について述べる。
論文 参考訳（メタデータ） (2022-09-23T02:17:27Z) - Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。
アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。
マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
論文 参考訳（メタデータ） (2022-07-21T09:35:38Z) - Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence
Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。
シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文 参考訳（メタデータ） (2022-07-18T19:16:56Z) - Multi-class versus One-class classifier in spontaneous speech analysis
oriented to Alzheimer Disease diagnosis [58.720142291102135]
本研究の目的は,音声信号から抽出した新しいバイオマーカーを用いて自動解析を行うことにより,ADの早期診断と重症度評価の改善に寄与することである。
外付け器とフラクタル次元の機能に関する情報を使用することで、システムの性能が向上する。
論文 参考訳（メタデータ） (2022-03-21T09:57:20Z) - On the utility of power spectral techniques with feature selection
techniques for effective mental task classification in noninvasive BCI [19.19039983741124]
本稿では,メンタルタスク分類において,関連性および非関連性のあるスペクトル特徴を選択する手法を提案する。
その結果,メンタルタスク分類のための学習モデルの性能は大幅に向上した。
論文 参考訳（メタデータ） (2021-11-16T00:27:53Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
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。