論文の概要: Application of Dimensional Reduction in Artificial Neural Networks to
Improve Emergency Department Triage During Chemical Mass Casualty Incidents
- arxiv url: http://arxiv.org/abs/2204.00642v1
- Date: Fri, 1 Apr 2022 18:04:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-08 06:16:37.027184
- Title: Application of Dimensional Reduction in Artificial Neural Networks to
Improve Emergency Department Triage During Chemical Mass Casualty Incidents
- Title（参考訳）: ケミカル・カジュアル・インシデント発生時の救急科トリアージ改善へのニューラルネットワークの次元縮小の適用
- Authors: Nicholas D. Boltin, Joan M. Culley, Homayoun Valafar
- Abstract要約: ケミカル・マス・カジュアルティ・インシデント(MCI)は、病院職員やリソースに重きを置き、機械学習(ML)ツールは介護者に効率的な意思決定支援を提供する。
本研究では,311種類の有害化学物質と79種類の徴候および症状のデータセットを削減するための4つの統計的次元減少手法の適用について検討した。
以上の結果から, 化学原因の特定に必要な徴候や症状の数は, モデル精度を低下させることなく, 40 SSx程度に削減できることがわかった。
- 参考スコア（独自算出の注目度）: 0.5156484100374058
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Chemical Mass Casualty Incidents (MCI) place a heavy burden on hospital staff
and resources. Machine Learning (ML) tools can provide efficient decision
support to caregivers. However, ML models require large volumes of data for the
most accurate results, which is typically not feasible in the chaotic nature of
a chemical MCI. This study examines the application of four statistical
dimension reduction techniques: Random Selection, Covariance/Variance,
Pearson's Linear Correlation, and Principle Component Analysis to reduce a
dataset of 311 hazardous chemicals and 79 related signs and symptoms (SSx). An
Artificial Neural Network pipeline was developed to create comparative models.
Results show that the number of signs and symptoms needed to determine a
chemical culprit can be reduced to nearly 40 SSx without losing significant
model accuracy. Evidence also suggests that the application of dimension
reduction methods can improve ANN model performance accuracy.
- Abstract（参考訳）: ケミカル・マス・カジュアルティ・インシデント(MCI)は、病院の職員や資源に重荷を課している。
機械学習(ML)ツールは、介護者に効率的な意思決定支援を提供する。
しかしながら、mlモデルは、最も正確な結果を得るために大量のデータを必要とするが、化学mciのカオス性では一般的には実現できない。
本研究では, ランダム選択, 共分散/分散, ピアソン線形相関, 原理成分分析の4つの統計的次元低減手法を適用し, 311種類の有害化学物質と79種類の兆候と症状のデータセットを削減した。
比較モデルを作成するために人工ニューラルネットワークパイプラインが開発された。
その結果,化学病原体を決定するのに必要な徴候数や症状は,モデルの精度を損なうことなく40 ssx近くまで減少できることがわかった。
また,次元縮小法の適用により,ANNモデルの性能精度が向上することが示唆された。
関連論文リスト
- A Unified Approach to Inferring Chemical Compounds with the Desired Aqueous Solubility [5.763661159910719]
水溶性(AS)は、医薬品の発見と材料設計において重要な役割を果たす重要な物理化学的性質である。
本稿では,単純な決定論的グラフ理論記述子に基づいて,化学化合物を所望のASで予測し,推定するための新しい統一的アプローチについて報告する。
論文 参考訳（メタデータ） (2024-09-06T14:20:38Z) - YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention [9.018408514318631]
伝統的な手法は複雑な分子構造を見逃し、不正確な結果をもたらすことが多い。
本稿では,グラフ畳み込みネットワーク(GCN),トランスフォーマーアーキテクチャ,Long Short-Term Memory(LSTM)ネットワークを統合するディープラーニングフレームワークであるYZS-Modelを紹介する。
YZS-Modelは、R2$ 0.59、RMSE$ 0.57を達成し、ベンチマークモデルを上回った。
論文 参考訳（メタデータ） (2024-06-27T12:40:29Z) - A Gaussian Process Model for Ordinal Data with Applications to Chemoinformatics [0.0]
化学実験の結果を予測するための条件付きガウス過程モデルを提案する。
我々のモデルの新しい側面は、核がスケーリングパラメータを含み、化学空間の要素間の相関の強さを制御することである。
本稿では,化学発見の容易化と化合物の有効性に対する重要な特徴の同定のための遺伝的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-16T11:18:32Z) - An Autoencoder and Generative Adversarial Networks Approach for Multi-Omics Data Imbalanced Class Handling and Classification [2.2940141855172036]
分子生物学では、マルチオミクスシークエンシングから生成されるデータの爆発があった。
従来の統計手法は、そのような高次元データを扱う際に難しい課題に直面している。
この研究は、オートエンコーダを組み込んだニューラルネットワークでこれらの課題に取り組むことに焦点を当て、特徴の潜在空間を抽出する。
論文 参考訳（メタデータ） (2024-05-16T01:45:55Z) - Scale-Space Hypernetworks for Efficient Biomedical Imaging [0.0]
内部再スケーリング要因の異なるCNNのスペクトルを学習するSSHN(Scale-Space HyperNetworks)を導入する。
SSHNはトレーニングコストのごく一部で、より優れた精度と効率のトレードオフを提供する。
論文 参考訳（メタデータ） (2023-04-11T18:38:57Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-27T20:53:39Z) - Exploring the Limits of Domain-Adaptive Training for Detoxifying
Large-Scale Language Models [84.30718841659531]
言語モデルの毒性を低減するために,ドメイン適応型学習について検討する。
トレーニングコーパスでは, LMの生成能力を活用することを提案する。
次に,126Mから530Bまでのパラメータサイズを持つLMを包括的に研究した。
論文 参考訳（メタデータ） (2022-02-08T22:10:40Z) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳（メタデータ） (2021-04-07T01:15:06Z) - Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。
その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文 参考訳（メタデータ） (2021-02-02T09:34:34Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z)
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。