Fugu-MT 論文翻訳(概要): Explainable Multi-class Classification of the CAMH COVID-19 Mental Health Data

論文の概要: Explainable Multi-class Classification of the CAMH COVID-19 Mental Health Data

arxiv url: http://arxiv.org/abs/2105.13430v1
Date: Thu, 27 May 2021 20:08:58 GMT
ステータス: 処理完了
システム内更新日: 2021-06-01 01:13:34.428650
Title: Explainable Multi-class Classification of the CAMH COVID-19 Mental Health Data
Title（参考訳）: CAMH COVID-19メンタルヘルスデータのマルチクラス分類
Authors: YuanZheng Hu and Marina Sokolova
Abstract要約: 本稿では,Covid-19のメンタルヘルスデータの多クラス分類について述べる。機械学習研究では、コビッドウイルスのパンデミックにおいて、個人のメンタルヘルスに影響を与える潜在的な要因を見つけることを目的としている。
参考スコア（独自算出の注目度）: 0.9137554315375922
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Application of Machine Learning algorithms to the medical domain is an emerging trend that helps to advance medical knowledge. At the same time, there is a significant a lack of explainable studies that promote informed, transparent, and interpretable use of Machine Learning algorithms. In this paper, we present explainable multi-class classification of the Covid-19 mental health data. In Machine Learning study, we aim to find the potential factors to influence a personal mental health during the Covid-19 pandemic. We found that Random Forest (RF) and Gradient Boosting (GB) have scored the highest accuracy of 68.08% and 68.19% respectively, with LIME prediction accuracy 65.5% for RF and 61.8% for GB. We then compare a Post-hoc system (Local Interpretable Model-Agnostic Explanations, or LIME) and an Ante-hoc system (Gini Importance) in their ability to explain the obtained Machine Learning results. To the best of these authors knowledge, our study is the first explainable Machine Learning study of the mental health data collected during Covid-19 pandemics.
Abstract（参考訳）: 機械学習のアルゴリズムを医療分野に適用することは、医学知識の進歩に役立つ新しいトレンドである。同時に、情報的、透明で、解釈可能な機械学習アルゴリズムの使用を促進する説明可能な研究が欠如している。本稿では,Covid-19のメンタルヘルスデータの多クラス分類について説明する。機械学習研究では、コビッドウイルスのパンデミックにおいて、個人のメンタルヘルスに影響を与える潜在的な要因を見つけることを目的としている。ランダムフォレスト (rf) と勾配昇降 (gb) はそれぞれ68.08%, 68.19%と高い精度を示し, rfでは65.5%, gbでは61.8%のライム予測精度を示した。次に、得られた機械学習結果を説明する能力として、ポストホックシステム(ローカル解釈可能なモデル非依存記述(LIME))とアンテホックシステム(Gini Importance)を比較した。この研究は、新型コロナウイルス(covid-19)パンデミックで収集されたメンタルヘルスデータに関する、最初の説明可能な機械学習研究です。

関連論文リスト

Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
Prognosis of COVID-19 using Artificial Intelligence: A Systematic Review and Meta-analysis [0.23221087157793407]
この研究は、新型コロナウイルスの予後のためのAIの使用に関する論文を同定し、評価し、合成する。例えば、Siamenseモデル、サポートベクターマシン、ランダムフォレスト、eXtreme Gradient Boosting、畳み込みニューラルネットワークなどである。その結果, 死亡率71%, 88%, 67%の感度, 重症度評価, 換気の必要性が確認された。
論文参考訳（メタデータ） (2024-08-01T00:33:32Z)
Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文参考訳（メタデータ） (2024-07-31T04:32:43Z)
Predictive Modeling for Breast Cancer Classification in the Context of Bangladeshi Patients: A Supervised Machine Learning Approach with Explainable AI [0.0]
5種類の機械学習手法の分類精度,精度,リコール,F-1スコアを評価し,比較した。 XGBoostは97%という最高のモデル精度を達成した。
論文参考訳（メタデータ） (2024-04-06T17:23:21Z)
COVIDHealth: A Benchmark Twitter Dataset and Machine Learning based Web Application for Classifying COVID-19 Discussions [1.4018975578160688]
新型コロナウイルス関連のTwitterデータをラベル付けし、ベンチマーク分類結果を提供し、Webアプリケーションを開発する。様々な特徴抽出法を用いて特徴を抽出し、7種類の従来の機械学習アルゴリズムに適用した。線形SVCアルゴリズムは86.13%のF1スコアを示し、他の伝統的な機械学習手法を上回った。
論文参考訳（メタデータ） (2024-02-15T11:45:34Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文参考訳（メタデータ） (2023-01-01T12:48:12Z)
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 Multi-class Classification of Medical Data [0.9137554315375922]
大規模医療データセットの多クラス分類について解説する。この研究では、SVM(Support Vector Machine)、Na"ive Bayes、Gradient Boosting、Decision Trees、Random Forest、Logistic Regressionの6つのアルゴリズムが使用されている。本研究では,23の薬物機能を用いて6つの応用学習アルゴリズムのうち5つのリコールを改善することを示した。
論文参考訳（メタデータ） (2020-12-26T18:56:07Z)
A Transfer Learning Based Active Learning Framework for Brain Tumor Classification [10.437969366798411]
そこで我々は,アノテーションのコストを削減するために,新しい移動学習に基づくアクティブラーニングフレームワークを提案する。我々は,203症例のMRIトレーニングデータセットを用いて,2次元スライス法を用いてモデルを訓練・微調整する。提案手法により,66例の個別検査データセットを用いて,AUC(Area Under Receiver Operating Characteristics)曲線の82.89%を達成した。
論文参考訳（メタデータ） (2020-11-16T21:11:40Z)
Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文参考訳（メタデータ） (2020-08-29T11:50:37Z)

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。