論文の概要: Diagnosis of Acute Myeloid Leukaemia Using Machine Learning
- arxiv url: http://arxiv.org/abs/2108.07396v1
- Date: Tue, 17 Aug 2021 01:45:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-18 13:13:49.960495
- Title: Diagnosis of Acute Myeloid Leukaemia Using Machine Learning
- Title(参考訳): 機械学習による急性骨髄性白血病の診断
- Authors: A. Angelakis, I. Soulioti
- Abstract要約: 我々は、26個のプローブセットとその年齢を用いて、2177人のデータセット上で機械学習モデルをトレーニングする。
精度は99.94%、F1スコアは0.9996である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We train a machine learning model on a dataset of 2177 individuals using as
features 26 probe sets and their age in order to classify if someone has acute
myeloid leukaemia or is healthy. The dataset is multicentric and consists of
data from 27 organisations, 25 cities, 15 countries and 4 continents. The
accuracy or our model is 99.94\% and its F1-score 0.9996. To the best of our
knowledge the performance of our model is the best one in the literature, as
regards the prediction of AML using similar or not data. Moreover, there has
not been any bibliographic reference associated with acute myeloid leukaemia
for the 26 probe sets we used as features in our model.
- Abstract(参考訳): 急性骨髄性白血病や健常者かどうかを分類するために,26個のプローブセットと年齢を用いて2177人の個人を対象とした機械学習モデルを訓練する。
データセットはマルチセントリックで、27の組織、25の都市、15の国、4つの大陸のデータで構成されている。
精度は99.94\%、F1スコアは0.9996である。
我々の知る限りでは、類似データを用いたAMLの予測に関して、我々のモデルの性能は文献の中で最高のものである。
また,本モデルの特徴として用いた26個のプローブセットについて,急性骨髄性白血病に関する文献的言及はない。
関連論文リスト
- A Study of Age and Sex Bias in Multiple Instance Learning based
Classification of Acute Myeloid Leukemia Subtypes [44.077241051884926]
複数のMILモデルをトレーニングセットで異なるレベルの性不均衡を用いて訓練し、特定の年齢群を除外する。
性別と年齢の偏りがAMLサブタイプ分類モデルの性能に及ぼす影響について検討した。
論文 参考訳(メタデータ) (2023-08-24T09:32:46Z) - Adapting Machine Learning Diagnostic Models to New Populations Using a
Small Amount of Data: Results from Clinical Neuroscience [17.161866044628205]
我々は、ソースグループからのデータを最適に組み合わせ、ターゲットグループで予測する、重み付き経験的リスク最小化手法を開発した。
本研究では,アルツハイマー病の診断と脳年齢推定のためのMLモデルを構築するため,20の神経画像研究から15,363人のマルチソースデータに適用した。
論文 参考訳(メタデータ) (2023-08-06T18:05:39Z) - Electromyography Signal Classification Using Deep Learning [0.0]
我々はL2正規化を用いた深層学習モデルを実装し,EMG(Electromyography)データに基づいて学習を行った。
データは、コントロールグループ、ミオパチー、ALS患者から収集されたEMG信号からなる。
このモデルでは、正常症例(対照群)を100%の精度で他の患者と区別することができ、ミオパチーとALSをそれぞれ97.4と98.2の精度で分類することができた。
論文 参考訳(メタデータ) (2023-05-06T10:44:38Z) - TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳(メタデータ) (2022-08-11T15:16:40Z) - From SIR to SEAIRD: a novel data-driven modeling approach based on the
Grey-box System Theory to predict the dynamics of COVID-19 [6.131772929312605]
新型コロナウイルスの一般的なコンパートメンタルモデリングは、事前知識と多くの仮定に基づいている。
本研究の目的は、グレーボックスシステム理論やグレーボックス識別の強みを活用して、データ駆動型アプローチのためのフレームワークを提供することである。
感染者数はブラジルとフランスで10万人当たり3人だった。
論文 参考訳(メタデータ) (2021-05-29T21:25:09Z) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳(メタデータ) (2021-04-22T13:39:33Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳(メタデータ) (2021-02-18T21:14:52Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - Predicting Clinical Diagnosis from Patients Electronic Health Records
Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。
本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。
約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文 参考訳(メタデータ) (2020-07-15T09:22:55Z) - GLYFE: Review and Benchmark of Personalized Glucose Predictive Models in
Type-1 Diabetes [4.17510581764131]
GLYFEは機械学習に基づくグルコース予測モデルのベンチマークである。
ブドウ糖沈降の文献から得られた9つの異なるモデルの結果を報告する。
論文 参考訳(メタデータ) (2020-06-29T11:34:41Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z)
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。