論文の概要: Machine Learning Approaches for Inferring Liver Diseases and Detecting Blood Donors from Medical Diagnosis

• arxiv url: http://arxiv.org/abs/2104.12055v1
• Date: Sun, 25 Apr 2021 04:10:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-28 10:24:48.495751
• Title: Machine Learning Approaches for Inferring Liver Diseases and Detecting Blood Donors from Medical Diagnosis
• Title（参考訳）: 機械学習による肝疾患の診断と診断からの献血者検出
• Authors: Fahad B. Mostafa and Md Easin Hasan
• Abstract要約: 本稿では,欠落データを扱うために連鎖方程式による多重インプテーションを適用した。 重要な発見を明らかにするために、データの視覚化が実装された。 提案したMLメソッドは精度が向上した(例)。 98.23%のSVM)
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For a medical diagnosis, health professionals use different kinds of pathological ways to make a decision for medical reports in terms of patients medical condition. In the modern era, because of the advantage of computers and technologies, one can collect data and visualize many hidden outcomes from them. Statistical machine learning algorithms based on specific problems can assist one to make decisions. Machine learning data driven algorithms can be used to validate existing methods and help researchers to suggest potential new decisions. In this paper, multiple imputation by chained equations was applied to deal with missing data, and Principal Component Analysis to reduce the dimensionality. To reveal significant findings, data visualizations were implemented. We presented and compared many binary classifier machine learning algorithms (Artificial Neural Network, Random Forest, Support Vector Machine) which were used to classify blood donors and non-blood donors with hepatitis, fibrosis and cirrhosis diseases. From the data published in UCI-MLR [1], all mentioned techniques were applied to find one better method to classify blood donors and non-blood donors (hepatitis, fibrosis, and cirrhosis) that can help health professionals in a laboratory to make better decisions. Our proposed ML-method showed better accuracy score (e.g. 98.23% for SVM). Thus, it improved the quality of classification.
• Abstract（参考訳）: 医学的診断では、医療専門家は、様々な種類の病理学的方法を用いて、患者の医療状況に関する医療報告を判断する。 現代では、コンピュータと技術の利点により、データを収集し、多くの隠れた結果を視覚化することができる。 特定の問題に基づく統計的機械学習アルゴリズムは、決定を下すのに役立つ。 機械学習のデータ駆動アルゴリズムは、既存の方法を検証し、研究者が潜在的な新しい決定を提案するのに役立つ。 本稿では,連鎖方程式による多重計算を欠落データに応用し,主成分分析により次元の減少を図る。 重要な発見を明らかにするために、データの可視化が実装された。 血液ドナーと非血液ドナーを肝炎,線維症,肝硬変の疾患で分類するために用いられた,多くの二分分類機械学習アルゴリズム(人工ニューラルネットワーク,ランダムフォレスト,サポートベクターマシン)を提示,比較した。 UCI-MLR [1]で公表されたデータから、血液ドナーと非血液ドナー(肝炎、線維症、硬変)の分類方法として、実験室の医療専門家がより良い判断を下すのに役立つ方法が見つかった。 提案手法では精度が向上した(例)。 98.23%)であった。 これにより分類の質が向上した。

関連論文リスト

• Gradient Boosting Decision Trees on Medical Diagnosis over Tabular Data [0.0]
  アンサンブル法は、医学的意思決定プロセスの成功の観点から、強力な代替手段を提供する。 本研究では,医学分類作業におけるアンサンブル手法,特にGBDTアルゴリズムの利点について検討した。
  論文  参考訳（メタデータ） (2024-09-25T17:13:05Z)
• Explainable AI in Diagnosing and Anticipating Leukemia Using Transfer Learning Method [0.0]
  本研究は,小児および10代に流行する急性リンパ芽球性白血病(ALL)に焦点をあてる。 ディープラーニング技術を活用したコンピュータ支援診断(CAD)モデルを用いた自動検出手法を提案する。 提案手法は98.38%の精度を達成し、他の試験モデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-12-01T10:37:02Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• AI Framework for Early Diagnosis of Coronary Artery Disease: An Integration of Borderline SMOTE, Autoencoders and Convolutional Neural Networks Approach [0.44998333629984877]
  我々は,データのバランスが不均衡でサンプルサイズが小さい場合に,より正確な予測を行うために,データのバランスと拡張のための方法論を開発する。 実験の結果,提案手法の平均精度は95.36であり,ランダムフォレスト(RF),決定木(DT),サポートベクターマシン(SVM),ロジスティック回帰(LR),人工ニューラルネットワーク(ANN)よりも高かった。
  論文  参考訳（メタデータ） (2023-08-29T14:33:38Z)
• Recent advancement in Disease Diagnostic using machine learning: Systematic survey of decades, comparisons, and challenges [0.0]
  バイオメディカル領域におけるパターン認識と機械学習は、疾患の検出と診断の精度を高めることを約束する。 本稿では,肝炎,糖尿病,肝疾患,デング熱,心臓病などの疾患を検出するための機械学習アルゴリズムについて検討する。
  論文  参考訳（メタデータ） (2023-07-31T16:35:35Z)
• 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)
• Pixel-Level Explanation of Multiple Instance Learning Models in Biomedical Single Cell Images [52.527733226555206]
  複数のインスタンス学習モデルを説明するための4つの属性法について検討する。 急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。 我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
  論文  参考訳（メタデータ） (2023-03-15T14:00:11Z)
• 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)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• 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)
• Approaching Bio Cellular Classification for Malaria Infected Cells Using Machine Learning and then Deep Learning to compare & analyze K-Nearest Neighbours and Deep CNNs [0.0]
  マラリアは致命的な病気で、毎年何十万人もの人の命がかかっています。 本稿では, 細胞画像中のマラリアの存在を分類する文脈において, 異なる機械学習手法について検討する。
  論文  参考訳（メタデータ） (2020-05-22T23:02:36Z)

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。