論文の概要: Artificial Intelligence Enhanced Rapid and Efficient Diagnosis of Mycoplasma Pneumoniae Pneumonia in Children Patients

• arxiv url: http://arxiv.org/abs/2102.10284v1
• Date: Sat, 20 Feb 2021 08:14:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-23 15:19:41.537627
• Title: Artificial Intelligence Enhanced Rapid and Efficient Diagnosis of Mycoplasma Pneumoniae Pneumonia in Children Patients
• Title（参考訳）: 小児のMycoplasma Pneumoniae pneumoniaの人工知能による迅速かつ効率的な診断
• Authors: Chenglin Pan, Kuan Yan, Xiao Liu, Yanjie Chen, Yanyan Luo, Xiaoming Li, Zhenguo Nie, Xinjun Liu
• Abstract要約: 我々は、機械学習モデルとして、ロジスティック回帰、決定木(DT)、勾配向上決定木(GBDT)、サポートベクターマシン(SVM)、多層パーセプトロン(MLP)を用いる。 mppデータセットに前処理手順を適用して分類処理を行った。 最も効率的な結果はGBDTによって得られる。 93.7%の精度で最高の性能を提供します。
• 参考スコア（独自算出の注目度）: 12.952432973738654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence methods have been increasingly turning into a potentially powerful tool in the diagnosis and management of diseases. In this study, we utilized logistic regression (LR), decision tree (DT), gradient boosted decision tree (GBDT), support vector machine (SVM), and multilayer perceptron (MLP) as machine learning models to rapidly diagnose the mycoplasma pneumoniae pneumonia (MPP) in children patients. The classification task was carried out after applying the preprocessing procedure to the MPP dataset. The most efficient results are obtained by GBDT. It provides the best performance with an accuracy of 93.7%. In contrast to standard raw feature weighting, the feature importance takes the underlying correlation structure of the features into account. The most crucial feature of GBDT is the "pulmonary infiltrates range" with a score of 0.5925, followed by "cough" (0.0953) and "pleural effusion" (0.0492). We publicly share our full implementation with the dataset and trained models at https://github.com/zhenguonie/2021_AI4MPP.
• Abstract（参考訳）: 人工知能の手法は、病気の診断と管理において潜在的に強力なツールになりつつある。 本研究では, 小児患者において, ロジスティック回帰(LR), 決定木(DT), グラジエントブースト決定木(GBDT), サポートベクターマシン(SVM), 多層パーセプトロン(MLP)を機械学習モデルとして利用し, マイコプラズマ肺炎(MPP)を迅速に診断した。 mppデータセットに前処理手順を適用して分類処理を行った。 最も効率的な結果はGBDTによって得られる。 93.7%の精度で最高の性能を提供します。 標準の生の機能重み付けとは対照的に、特徴の重要性は特徴の基本的な相関構造を考慮に入れます。 GBDTの最も重要な特徴は、0.5925のスコアを持つ「肺浸潤範囲」であり、「cough」(0.0953)と「pleural effusion」(0.0492)が続く。 データセットとトレーニングモデルの完全な実装をhttps://github.com/zhenguonie/2021_ai4mppで公開しています。

関連論文リスト

• Phikon-v2, A large and public feature extractor for biomarker prediction [42.52549987351643]
  我々は、DINOv2を用いて視覚変換器を訓練し、このモデルの1つのイテレーションを公開して、Phikon-v2と呼ばれるさらなる実験を行う。 Phikon-v2は、公開されている組織学のスライドをトレーニングしながら、以前リリースしたモデル(Phikon)を上回り、プロプライエタリなデータでトレーニングされた他の病理学基盤モデル(FM)と同等に動作します。
  論文  参考訳（メタデータ） (2024-09-13T20:12:29Z)
• Enhanced Prediction of Ventilator-Associated Pneumonia in Patients with Traumatic Brain Injury Using Advanced Machine Learning Techniques [0.0]
  外傷性脳損傷(TBI)患者の呼吸器関連肺炎(VAP)は重大な死亡リスクをもたらす。 TBI患者のVAPのタイムリーな検出と予後は、患者の予後を改善し、医療資源の負担を軽減するために重要である。 我々はMIMIC-IIIデータベースを用いて6つの機械学習モデルを実装した。
  論文  参考訳（メタデータ） (2024-08-02T09:44:18Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Pneumonia App: a mobile application for efficient pediatric pneumonia diagnosis using explainable convolutional neural networks (CNN) [3.1828174924979136]
  マイコプラズマ肺炎(Mycoplasma pneumoniae pneumoniae pneumoniae)は、小児医療における重要な診断上の課題である。 PneumoniaAPPは,高速MPP検出にディープラーニング技術を活用するモバイルアプリケーションである。
  論文  参考訳（メタデータ） (2024-03-31T03:35:43Z)
• MEDPSeg: Hierarchical polymorphic multitask learning for the segmentation of ground-glass opacities, consolidation, and pulmonary structures on computed tomography [37.119000111386924]
  MEDPSegは階層型多形マルチタスク学習(HPML)を通して異種胸部CTターゲットから学習する 本稿では,GGOと統合セグメンテーションタスクの最先端性能を実現するPMLについて述べる。 さらに、MEDPSegは肺発作、気道、肺動脈、肺病変の分節を同時に行う。
  論文  参考訳（メタデータ） (2023-12-04T21:46:39Z)
• Automatic segmentation of lung findings in CT and application to Long COVID [38.69538648742266]
  S-MEDSegは胸部CT画像における肺病変の正確な分画のための深層学習に基づくアプローチである。 S-MEDSegは、トレーニング済みのEfficientNetバックボーン、双方向機能ピラミッドネットワーク、モダンネットワークの進化を組み合わせたものだ。
  論文  参考訳（メタデータ） (2023-10-13T23:42:43Z)
• Comparative Analysis of Epileptic Seizure Prediction: Exploring Diverse Pre-Processing Techniques and Machine Learning Models [0.0]
  脳波データを用いたてんかん発作予測のための5つの機械学習モデルの比較分析を行った。 本分析の結果は,各モデルの性能を精度で示すものである。 ETモデルは99.29%の精度で最高の性能を示した。
  論文  参考訳（メタデータ） (2023-08-06T08:50:08Z)
• Predicting Cancer Using Supervised Machine Learning: Mesothelioma [0.0]
  胸膜中皮腫は年間に米国で診断された中皮腫の約75%を占める。 我々は、MPMの早期診断に最適なモデルを提案する人工知能アルゴリズムを使用している。
  論文  参考訳（メタデータ） (2021-10-31T16:49:59Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Development of a Multi-Task Learning V-Net for Pulmonary Lobar Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
  疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。 この影響は、肺葉を分節する機械学習手法の改善を動機づけた。 このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
  論文  参考訳（メタデータ） (2021-05-11T17:10:25Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)

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。