論文の概要: GSVMA: A Genetic-Support Vector Machine-Anova method for CAD diagnosis
based on Z-Alizadeh Sani dataset
- arxiv url: http://arxiv.org/abs/2108.08292v1
- Date: Fri, 23 Jul 2021 06:38:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-22 17:04:57.200166
- Title: GSVMA: A Genetic-Support Vector Machine-Anova method for CAD diagnosis
based on Z-Alizadeh Sani dataset
- Title（参考訳）: GSVMA:Z-Alizadeh Saniデータセットに基づくCAD診断のための遺伝的支援ベクトルマシン-Anova法
- Authors: Javad Hassannataj Joloudari, Faezeh Azizi, Mohammad Ali Nematollahi,
Roohallah Alizadehsani, Edris Hassannataj, Amir Mosavi
- Abstract要約: 冠動脈疾患 (CAD) は, 世界中の中年者において, 心臓血管死の重要な原因の1つである。
代替ソリューションの1つは、CAD診断に機械学習ベースのパターンを使用することである。
本稿では,遺伝的支援ベクトルマシンと可変解析(GSVMA)と呼ばれるハイブリッド機械学習モデルを提案する。
- 参考スコア（独自算出の注目度）: 0.815557531820863
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Coronary heart disease (CAD) is one of the crucial reasons for cardiovascular
mortality in middle-aged people worldwide. The most typical tool is angiography
for diagnosing CAD. The challenges of CAD diagnosis using angiography are
costly and have side effects. One of the alternative solutions is the use of
machine learning-based patterns for CAD diagnosis. Hence, this paper provides a
new hybrid machine learning model called Genetic Support Vector Machine and
Analysis of Variance (GSVMA). The ANOVA is known as the kernel function for
SVM. The proposed model is performed based on the Z-Alizadeh Sani dataset. A
genetic optimization algorithm is used to select crucial features. In addition,
SVM with Anova, Linear SVM, and LibSVM with radial basis function methods were
applied to classify the dataset. As a result, the GSVMA hybrid method performs
better than other methods. This proposed method has the highest accuracy of
89.45% through a 10-fold cross-validation technique with 35 selected features
on the Z-Alizadeh Sani dataset. Therefore, the genetic optimization algorithm
is very effective for improving accuracy. The computer-aided GSVMA method can
be helped clinicians with CAD diagnosis.
- Abstract（参考訳）: 冠動脈疾患 (CAD) は, 世界中の中年者において, 心臓血管死の重要な原因の1つである。
最も一般的なツールはCAD診断のための血管造影である。
血管造影によるCAD診断の課題は費用がかかり副作用がある。
代替ソリューションの1つは、CAD診断に機械学習ベースのパターンを使用することである。
そこで本研究では,遺伝的支援ベクトルマシンと可変解析(GSVMA)と呼ばれるハイブリッド機械学習モデルを提案する。
ANOVAはSVMのカーネル関数として知られている。
提案モデルはz-alizadeh saniデータセットに基づいて実行される。
遺伝的最適化アルゴリズムは重要な特徴の選択に使用される。
さらに、データセットの分類には、Anova、Linear SVM、LibSVM、radial basis functionメソッドを使用したSVMを適用した。
その結果,GSVMAハイブリッド法は他の方法よりも優れた性能を示した。
提案手法は,z-alizadeh saniデータセット上で選択された35の特徴を持つ10倍のクロスバリデーション手法により,89.45%の精度を持つ。
したがって、遺伝的最適化アルゴリズムは精度を向上させるのに非常に効果的である。
コンピュータ支援GSVMA法はCAD診断で臨床医を助けることができる。
関連論文リスト
- MMed-RAG: Versatile Multimodal RAG System for Medical Vision Language Models [49.765466293296186]
近年,Med-LVLM (Med-LVLMs) の進歩により,対話型診断ツールの新たな可能性が高まっている。
Med-LVLMは、しばしば事実の幻覚に悩まされ、誤った診断につながることがある。
我々は,Med-LVLMの現実性を高めるために,多目的マルチモーダルRAGシステムMMed-RAGを提案する。
論文 参考訳（メタデータ） (2024-10-16T23:03:27Z) - Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。
ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。
本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文 参考訳（メタデータ） (2024-08-19T15:04:42Z) - Two new feature selection methods based on learn-heuristic techniques for breast cancer prediction: A comprehensive analysis [6.796017024594715]
帝国主義競争アルゴリズム(ICA)とバットアルゴリズム(BA)に基づく2つの新しい特徴選択法を提案する。
本研究は, 診断モデルの効率を向上し, 臨床医師がこれまでよりもはるかに正確かつ信頼性の高い意思決定を行えるよう包括的分析を行うことを目的とする。
論文 参考訳（メタデータ） (2024-07-19T19:07:53Z) - 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) - 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) - An Intelligent Decision Support Ensemble Voting Model for Coronary
Artery Disease Prediction in Smart Healthcare Monitoring Environments [0.0]
冠動脈疾患 (CAD) は、世界で最も一般的な心臓疾患の1つである。
機械学習(ML)アルゴリズムに基づくe-diagnosisツールは、スマートヘルスケア監視システムで使用することができる。
論文 参考訳（メタデータ） (2022-10-25T21:09:34Z) - 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) - A Profile-Based Binary Feature Extraction Method Using Frequent Itemsets
for Improving Coronary Artery Disease Diagnosis [0.0]
本稿では、プロファイルベースバイナリ特徴抽出(PBBFE)と呼ばれる新しい特徴抽出手法を用いたCAD診断手法を提案する。
数値的な特徴を分割した後、Aprioriアルゴリズムにより頻繁な項目集合を抽出し、CAD診断精度を高めるために特徴として使用する。
提案手法はCAD分野において最もリッチなデータベースであるZ-Alizadeh Saniデータセット上で検証された。
論文 参考訳（メタデータ） (2021-09-22T18:33:45Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - Coronary Artery Disease Diagnosis; Ranking the Significant Features
Using Random Trees Model [0.9634136878988853]
本研究の目的は,冠状動脈疾患の診断精度を高めることにある。
提案手法は有望な結果を示し,RTモデルが他のモデルより優れていることを確認した。
論文 参考訳（メタデータ） (2020-01-16T20:01:09Z)
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。