Fugu-MT 論文翻訳(概要): Deep Neural Network Based Ensemble learning Algorithms for the healthcare system (diagnosis of chronic diseases)

論文の概要: Deep Neural Network Based Ensemble learning Algorithms for the healthcare system (diagnosis of chronic diseases)

arxiv url: http://arxiv.org/abs/2103.08182v1
Date: Mon, 15 Mar 2021 07:41:54 GMT
ステータス: 処理完了
システム内更新日: 2021-03-16 23:48:54.213443
Title: Deep Neural Network Based Ensemble learning Algorithms for the healthcare system (diagnosis of chronic diseases)
Title（参考訳）: 深層ニューラルネットワークを用いた医療システムのためのアンサンブル学習アルゴリズム(慢性疾患の診断)
Authors: Jafar Abdollahi, Babak Nouri-Moghaddam, Mehdi Ghazanfari
Abstract要約: ヘルスケアシステム(慢性疾患)における分類アルゴリズムを検討し,ニューラルネットワークに基づくエンサンブル学習法を提案する。結果:結果は、慢性疾患の診断と予測のためのニューラルネットワークベースのエンサンブル学習アプローチの高性能を示しています。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: learning algorithms. In this paper, we review the classification algorithms used in the health care system (chronic diseases) and present the neural network-based Ensemble learning method. We briefly describe the commonly used algorithms and describe their critical properties. Materials and Methods: In this study, modern classification algorithms used in healthcare, examine the principles of these methods and guidelines, and to accurately diagnose and predict chronic diseases, superior machine learning algorithms with the neural network-based ensemble learning Is used. To do this, we use experimental data, real data on chronic patients (diabetes, heart, cancer) available on the UCI site. Results: We found that group algorithms designed to diagnose chronic diseases can be more effective than baseline algorithms. It also identifies several challenges to further advancing the classification of machine learning in the diagnosis of chronic diseases. Conclusion: The results show the high performance of the neural network-based Ensemble learning approach for the diagnosis and prediction of chronic diseases, which in this study reached 98.5, 99, and 100% accuracy, respectively.
Abstract（参考訳）: 学習アルゴリズム。本稿では,医療システム(慢性疾患)における分類アルゴリズムについて概説し,ニューラルネットワークを用いたアンサンブル学習法を提案する。一般的なアルゴリズムを簡潔に説明し,その重要な性質について述べる。材料と方法: 医療で用いられる最新の分類アルゴリズムを用いて、これらの方法とガイドラインの原理を検証し、慢性疾患の正確な診断と予測のために、ニューラルネットワークに基づくアンサンブル学習を用いた優れた機械学習アルゴリズムを用いる。このために、UCIサイトで利用可能な慢性患者(糖尿病、心臓、がん)の実際のデータである実験データを使用します。結果: 慢性疾患を診断するためのグループアルゴリズムは, 基本アルゴリズムよりも効果的であることがわかった。また、慢性疾患の診断における機械学習の分類をさらに進めるためのいくつかの課題を特定します。結論: 本研究では, 脳疾患の診断と予測のためのニューラルネットワークに基づくエンサンブル学習法が, 98.5, 99, 100%の精度に到達した。

関連論文リスト

The Impact of Ontology on the Prediction of Cardiovascular Disease Compared to Machine Learning Algorithms [0.0]
本稿では,最も顕著な機械学習アルゴリズムと,オントロジーに基づく機械学習分類を比較し,レビューする。これらの結果は, F-Measure, Accuracy, Recall, Precision などの混乱行列から生成された評価値を用いて評価した。
論文参考訳（メタデータ） (2024-05-30T18:40:27Z)
Multi-Dimensional Ability Diagnosis for Machine Learning Algorithms [88.93372675846123]
本稿では,機械学習アルゴリズム評価のためのタスク非依存評価フレームワークCamillaを提案する。認識診断の仮定とニューラルネットワークを用いて、各サンプルのアルゴリズム、サンプル、スキル間の複雑な相互作用を学習する。我々の実験では、カミラはメートル法信頼性、ランクの整合性、ランクの安定性で最先端のベースラインを上回ります。
論文参考訳（メタデータ） (2023-07-14T03:15:56Z)
Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文参考訳（メタデータ） (2023-06-02T01:46:31Z)
Kernel-Based Distributed Q-Learning: A Scalable Reinforcement Learning Approach for Dynamic Treatment Regimes [37.06048335758881]
本稿では,動的処理系を生成するための分散Q-ラーニングアルゴリズムを提案する。提案アルゴリズムは従来の線形Q-ラーニングよりも優れており,予測精度と計算コストの両方でよく使用される深層Q-ラーニングよりも優れていることを示す。
論文参考訳（メタデータ） (2023-02-21T04:15:34Z)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
論文参考訳（メタデータ） (2022-03-24T02:09:41Z)
Explainable predictions of different machine learning algorithms used to predict Early Stage diabetes [0.0]
糖尿病はいくつかの機械学習アルゴリズムで容易に診断できる。本稿では、ランダムフォレスト、決定木、人工ニューラルネットワーク、K Nearest Neighbor、Support Vector Machine、XGBoostといった機械学習アルゴリズムの比較分析を行った。実験結果によると、ランダムフォレストアルゴリズムは、この特定のデータセットで99%の精度で他のアルゴリズムよりも優れています。
論文参考訳（メタデータ） (2021-11-18T20:29:03Z)
Novel Deep Learning Architecture for Heart Disease Prediction using Convolutional Neural Network [0.0]
心臓病は、世界中の多くの人々の生活を妨げる最も致命的な病気の1つである。本稿では,健康な人と非健康な人の分類に1次元畳み込みニューラルネットワークを用いた新しいディープラーニングアーキテクチャを提案する。提案するネットワークは、データセット上で97%以上のトレーニング精度と96%のテスト精度を達成する。
論文参考訳（メタデータ） (2021-05-22T22:00:57Z)
A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
論文参考訳（メタデータ） (2021-02-26T17:49:58Z)
An Investigation of Interpretability Techniques for Deep Learning in Predictive Process Analytics [2.162419921663162]
本稿では、深層ニューラルネットワークとランダムフォレストという、医学的意思決定文学において最も成功した学習アルゴリズムの2つの解釈可能性手法について検討する。我々は,患者のがんの種類を予測するためのモデルを学ぶ。がんのタイプに関する有用な洞察を提供する予測に使用される特定の特徴と、十分に一般化されていない特徴が見られます。
論文参考訳（メタデータ） (2020-02-21T09:14:34Z)
Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。