論文の概要: Proposing a System Level Machine Learning Hybrid Architecture and
Approach for a Comprehensive Autism Spectrum Disorder Diagnosis
- arxiv url: http://arxiv.org/abs/2110.03775v1
- Date: Sat, 18 Sep 2021 04:33:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-17 16:56:12.465662
- Title: Proposing a System Level Machine Learning Hybrid Architecture and
Approach for a Comprehensive Autism Spectrum Disorder Diagnosis
- Title（参考訳）: システムレベルの機械学習ハイブリッドアーキテクチャの提案と包括的自閉症スペクトラム障害診断へのアプローチ
- Authors: Ryan Liu and Spencer He
- Abstract要約: 自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、知的発達、社会的行動、顔の特徴に影響を及ぼす重度の神経精神疾患である。
ASDの診断精度を向上させるために,社会行動と顔の特徴データの両方をフル活用したハイブリッドアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 1.2691047660244335
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Autism Spectrum Disorder (ASD) is a severe neuropsychiatric disorder that
affects intellectual development, social behavior, and facial features, and the
number of cases is still significantly increasing. Due to the variety of
symptoms ASD displays, the diagnosis process remains challenging, with numerous
misdiagnoses as well as lengthy and expensive diagnoses. Fortunately, if ASD is
diagnosed and treated early, then the patient will have a much higher chance of
developing normally. For an ASD diagnosis, machine learning algorithms can
analyze both social behavior and facial features accurately and efficiently,
providing an ASD diagnosis in a drastically shorter amount of time than through
current clinical diagnosis processes. Therefore, we propose to develop a hybrid
architecture fully utilizing both social behavior and facial feature data to
improve the accuracy of diagnosing ASD. We first developed a Linear Support
Vector Machine for the social behavior based module, which analyzes Autism
Diagnostic Observation Schedule (ADOS) social behavior data. For the facial
feature based module, a DenseNet model was utilized to analyze facial feature
image data. Finally, we implemented our hybrid model by incorporating different
features of the Support Vector Machine and the DenseNet into one model. Our
results show that the highest accuracy of 87% for ASD diagnosis has been
achieved by our proposed hybrid model. The pros and cons of each module will be
discussed in this paper.
- Abstract（参考訳）: 自閉症スペクトラム障害(Autism Spectrum disorder,ASD)は、知的発達、社会的行動、顔の特徴に影響を及ぼす重度の神経精神疾患であり、症例数は依然として著しく増加している。
様々な症状がasdディスプレイに表示されているため、診断プロセスは困難であり、多くの誤診と、長く高価な診断が行われる。
幸いなことに、早期にALDが診断され治療された場合、正常に進行する可能性がずっと高い。
ASD診断には、機械学習アルゴリズムが社会的行動と顔の特徴の両方を正確かつ効率的に分析し、現在の臨床診断プロセスよりもはるかに短い時間でASD診断を行うことができる。
そこで本稿では,ASDの診断精度を向上させるために,社会的行動と顔の特徴データの両方を活用するハイブリッドアーキテクチャを提案する。
まず,自閉症診断観測スケジュール(ados)社会行動データを分析するソーシャル行動ベースモジュールのためのリニアサポートベクターマシンを開発した。
顔特徴ベースモジュールでは, 顔特徴画像データの解析に密度ネットモデルを用いた。
最後に,Support Vector MachineとDenseNetの異なる特徴を1つのモデルに組み込むことで,ハイブリッドモデルを実装した。
以上の結果から, 提案するハイブリッドモデルにより, asd診断における87%の精度が得られた。
この論文では各モジュールの長所と短所について論じる。
関連論文リスト
- Explainable AI for Autism Diagnosis: Identifying Critical Brain Regions Using fMRI Data [0.29687381456163997]
自閉症スペクトラム障害(ASD)の早期診断と介入は、自閉症者の生活の質を著しく向上させることが示されている。
ASDの客観的バイオマーカーは診断精度の向上に役立つ。
深層学習(DL)は,医療画像データから疾患や病態を診断する上で,優れた成果を上げている。
本研究の目的は, ASD の精度と解釈性を向上させることであり, ASD を正確に分類できるだけでなく,その動作に関する説明可能な洞察を提供する DL モデルを作成することである。
論文 参考訳（メタデータ） (2024-09-19T23:08:09Z) - Application of Artificial Intelligence in Supporting Healthcare Professionals and Caregivers in Treatment of Autistic Children [0.552480439325792]
本稿では、自閉症スペクトラム障害(ASD)管理における医療従事者と介護者の能力を高める人工知能の可能性について検討する。
自閉症児と非自閉症児の日常活動における顔および身体の表情を解析するための高度なアルゴリズムを開発した。
本研究は, ASDの診断, 治療, 包括的管理を改善するためのAIの変革的可能性を強調する。
論文 参考訳（メタデータ） (2024-07-12T00:34:40Z) - A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。
重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。
人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
論文 参考訳（メタデータ） (2024-05-21T06:44:40Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳（メタデータ） (2023-12-02T22:57:25Z) - A Foundational Framework and Methodology for Personalized Early and
Timely Diagnosis [84.6348989654916]
本稿では,早期診断とタイムリー診断のための基礎的枠組みを提案する。
診断過程を概説する決定論的アプローチに基づいている。
機械学習と統計手法を統合し、最適なパーソナライズされた診断経路を推定する。
論文 参考訳（メタデータ） (2023-11-26T14:42:31Z) - DxFormer: A Decoupled Automatic Diagnostic System Based on
Decoder-Encoder Transformer with Dense Symptom Representations [26.337392652262103]
診断指向対話システムは患者の健康状態を照会し、患者との継続的な対話を通じて疾患の予測を行う。
本稿では,診断プロセスを症状調査と疾患診断の2つの段階に分割する,分離された自動診断フレームワークDxFormerを提案する。
提案モデルは,医師の臨床経験を効果的に学習し,症状のリコールと診断精度の点で最先端の結果を得ることができる。
論文 参考訳（メタデータ） (2022-05-08T01:52:42Z) - "My nose is running.""Are you also coughing?": Building A Medical
Diagnosis Agent with Interpretable Inquiry Logics [80.55587329326046]
本稿では,DSMDの対話マネージャを実装するための,より解釈可能な意思決定プロセスを提案する。
推論を行うために、非常に透明なコンポーネントを持つモデルを考案する。
実験の結果,診断精度は7.7%,10.0%,3.0%向上した。
論文 参考訳（メタデータ） (2022-04-29T09:02:23Z) - Developing a New Autism Diagnosis Process Based on a Hybrid Deep
Learning Architecture Through Analyzing Home Videos [1.2691047660244335]
現在、54人中1人が自閉症スペクトラム障害(ASD)と診断されており、2000年より178%高い。
本稿では,分類データと画像データの両方を用いて,従来のASD事前スクリーニングを自動化するハイブリッドアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-04-02T17:30:35Z) - Early Autism Spectrum Disorders Diagnosis Using Eye-Tracking Technology [62.997667081978825]
資金不足、資格のある専門家の欠如、そして修正方法に対する信頼度の低いことが、AMDのリアルタイム診断に影響を及ぼす主要な問題である。
我々のチームは、子どもの視線活動の情報に基づいて、ALDの確率を予測するアルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-08-21T20:22:55Z) - Towards Causality-Aware Inferring: A Sequential Discriminative Approach
for Medical Diagnosis [142.90770786804507]
医学診断アシスタント(MDA)は、疾患を識別するための症状を逐次調査する対話型診断エージェントを構築することを目的としている。
この研究は、因果図を利用して、MDAにおけるこれらの重要な問題に対処しようとする。
本稿では,他の記録から知識を引き出すことにより,非記録的調査に効果的に答える確率に基づく患者シミュレータを提案する。
論文 参考訳（メタデータ） (2020-03-14T02:05:54Z) - Explainable and Scalable Machine-Learning Algorithms for Detection of
Autism Spectrum Disorder using fMRI Data [0.2578242050187029]
提案した深層学習モデル ASD-DiagNet は神経型スキャンから ASD の脳スキャンの分類に一貫した精度を示す。
我々の手法はAuto-ASD-Networkと呼ばれ、ディープラーニングとサポートベクトルマシン(SVM)を組み合わせて、ニューロタイプスキャンからASDスキャンを分類する。
論文 参考訳（メタデータ） (2020-03-02T18:20:44Z)
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。