論文の概要: Machine learning based disease diagnosis: A comprehensive review
- arxiv url: http://arxiv.org/abs/2112.15538v1
- Date: Fri, 31 Dec 2021 16:25:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-03 15:39:34.452344
- Title: Machine learning based disease diagnosis: A comprehensive review
- Title(参考訳): 機械学習による疾患診断 : 包括的レビュー
- Authors: Md Manjurul Ahsan, Zahed Siddique
- Abstract要約: このレビューでは、機械学習(ML)とディープラーニング(DL)が、多くの病気の早期発見にどのように利用されているかを説明します。
1216の出版物に関する文献学的研究は、最も多作な著者、国、組織、そして最も引用された記事を決定するために行われた。
このレビューでは、機械学習ベースの疾患診断(MLBDD)の最新動向とアプローチをまとめている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Globally, there is a substantial unmet need to diagnose various diseases
effectively. The complexity of the different disease mechanisms and underlying
symptoms of the patient population presents massive challenges to developing
the early diagnosis tool and effective treatment. Machine Learning (ML), an
area of Artificial Intelligence (AI), enables researchers, physicians, and
patients to solve some of these issues. Based on relevant research, this review
explains how Machine Learning (ML) and Deep Learning (DL) are being used to
help in the early identification of numerous diseases. To begin, a bibliometric
study of the publication is given using data from the Scopus and Web of Science
(WOS) databases. The bibliometric study of 1216 publications was undertaken to
determine the most prolific authors, nations, organizations, and most cited
articles. The review then summarizes the most recent trends and approaches in
Machine Learning-based Disease Diagnosis (MLBDD), considering the following
factors: algorithm, disease types, data type, application, and evaluation
metrics. Finally, the paper highlights key results and provides insight into
future trends and opportunities in the MLBDD area.
- Abstract(参考訳): 世界中で、様々な病気を効果的に診断する必要性は極めて大きい。
異なる疾患のメカニズムと患者集団の根本症状の複雑さは、早期診断ツールの開発と効果的な治療に多大な困難をもたらす。
人工知能(ai)の分野である機械学習(ml)は、研究者、医師、患者がこれらの問題を解決することができる。
関連する研究に基づいて、機械学習(ML)とディープラーニング(DL)が、多くの病気の早期発見にどのように利用されているかを説明する。
まず、Scopus and Web of Science (WOS)データベースのデータを用いて、出版物に関する文献学的研究を行う。
1216の出版物に関する文献学的研究は、最も多作な著者、国、組織、そして最も引用された記事を決定するために行われた。
次に、アルゴリズム、疾患タイプ、データタイプ、アプリケーション、評価メトリクスといった要素を考慮して、機械学習に基づく疾患診断(mlbdd)における最新のトレンドとアプローチを要約する。
最後に、この論文は重要な結果を強調し、MLBDD領域における今後のトレンドと機会についての洞察を提供する。
関連論文リスト
- The Significance of Machine Learning in Clinical Disease Diagnosis: A
Review [0.0]
本研究では、時系列医療指標における心拍データの伝達を改善するための機械学習アルゴリズムの能力について検討する。
検討中の要因は、アルゴリズムの利用、対象とする疾患の種類、採用されるデータの種類、応用、評価指標などである。
論文 参考訳(メタデータ) (2023-10-25T20:28:22Z) - 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) - 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) - 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) - ImDrug: A Benchmark for Deep Imbalanced Learning in AI-aided Drug
Discovery [79.08833067391093]
現実世界の医薬品のデータセットは、しばしば高度に不均衡な分布を示す。
ImDrugはオープンソースのPythonライブラリを備えたベンチマークで、4つの不均衡設定、11のAI対応データセット、54の学習タスク、16のベースラインアルゴリズムで構成されています。
ドラッグ発見パイプラインの幅広い範囲にまたがる問題やソリューションに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
論文 参考訳(メタデータ) (2022-09-16T13:35:57Z) - Modern Machine-Learning Predictive Models for Diagnosing Infectious
Diseases [0.0]
本稿では,感染性疾患の診断に応用された最近の機械学習(ML)アルゴリズムの研究論文についてレビューする。
記事の大半が小さなデータセットを使用しており、そのほとんどがリアルタイムデータを使用していないことが分かりました。
その結果,適切なML手法は,データセットの性質と目的によって異なることがわかった。
論文 参考訳(メタデータ) (2022-06-15T08:19:16Z) - Machine Learning-Based Disease Diagnosis:A Bibliometric Analysis [0.0]
機械学習(ML)は、疾患診断の新しい適応可能なツールとして、研究者や実践家からかなりの注目を集めている。
MLの進歩と本分野における論文・研究の普及に伴い,機械学習による疾患診断(MLBDD)の完全検査が必要である。
この記事では、2012年から2021年までのMLBDDの論文を包括的に研究する。
論文 参考訳(メタデータ) (2022-01-08T04:04:51Z) - Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue
Generation [150.52617238140868]
ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。
また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
論文 参考訳(メタデータ) (2020-12-22T13:20:23Z) - 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) - A Deep Learning Pipeline for Patient Diagnosis Prediction Using
Electronic Health Records [0.5672132510411464]
我々は、公衆衛生データセットを普遍的なフォーマットに容易に変換するPythonパッケージを開発し、公開する。
複数の診断を同時に予測する2つの新しいモデルアーキテクチャを提案する。
どちらのモデルも高い精度で複数の診断を同時に予測できる。
論文 参考訳(メタデータ) (2020-06-23T14:58:58Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。