論文の概要: Forecasting new diseases in low-data settings using transfer learning
- arxiv url: http://arxiv.org/abs/2204.05059v1
- Date: Thu, 7 Apr 2022 17:54:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-12 18:06:59.423071
- Title: Forecasting new diseases in low-data settings using transfer learning
- Title（参考訳）: 転送学習を用いた低データ環境における新しい疾患予測
- Authors: Kirstin Roster, Colm Connaughton, Francisco A. Rodrigues
- Abstract要約: 転帰学習を用いた新しい疾患の予測に,関連疾患の知識がいかに役立つかを示す。
転送学習は,対象疾患のデータに基づくモデルを超えても,予測を改善する可能性を秘めている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent infectious disease outbreaks, such as the COVID-19 pandemic and the
Zika epidemic in Brazil, have demonstrated both the importance and difficulty
of accurately forecasting novel infectious diseases. When new diseases first
emerge, we have little knowledge of the transmission process, the level and
duration of immunity to reinfection, or other parameters required to build
realistic epidemiological models. Time series forecasts and machine learning,
while less reliant on assumptions about the disease, require large amounts of
data that are also not available in early stages of an outbreak. In this study,
we examine how knowledge of related diseases can help make predictions of new
diseases in data-scarce environments using transfer learning. We implement both
an empirical and a theoretical approach. Using empirical data from Brazil, we
compare how well different machine learning models transfer knowledge between
two different disease pairs: (i) dengue and Zika, and (ii) influenza and
COVID-19. In the theoretical analysis, we generate data using different
transmission and recovery rates with an SIR compartmental model, and then
compare the effectiveness of different transfer learning methods. We find that
transfer learning offers the potential to improve predictions, even beyond a
model based on data from the target disease, though the appropriate source
disease must be chosen carefully. While imperfect, these models offer an
additional input for decision makers during pandemic response.
- Abstract（参考訳）: 新型コロナウイルスのパンデミックやブラジルのジカ熱など最近の感染症の流行は、新しい感染症を正確に予測することの重要性と難しさの両方を示している。
新しい疾患が現れると、伝染過程、再感染に対する免疫のレベルと持続時間、または現実的な疫学モデルを構築するのに必要な他のパラメータについてほとんど知識が得られない。
時系列予測と機械学習は、病気に関する仮定にはあまり依存していないが、アウトブレイクの初期段階でも利用できない大量のデータを必要とする。
本研究では,関連する疾患の知識が,トランスファー・ラーニングを用いてデータ収集環境における新たな疾患の予測にどのように役立つかを検討する。
経験的アプローチと理論的アプローチの両方を実装します。
ブラジルの実証データを用いて、異なる機械学習モデルがどのように2つの病気のペア間で知識を伝達するかを比較する。
(i)デング、ジカ、及び
(II)インフルエンザとCOVID-19。
理論的解析では,SIR構成モデルを用いて異なる伝送率と回復率を用いてデータを生成し,異なる転送学習手法の有効性を比較する。
転送学習は,対象疾患のデータに基づくモデルを超えても,予測を改善する可能性を秘めているが,適切なソース疾患を慎重に選択する必要がある。
これらのモデルは不完全だが、パンデミック対応中に意思決定者にさらなるインプットを提供する。
関連論文リスト
- Artificial Intelligence for Infectious Disease Prediction and Prevention: A Comprehensive Review [1.4874449172133888]
この論文は、AIの可能性を批判的に評価し、感染症管理の限界について概説する。
地域内の伝染病の拡散を防ぐための公衆衛生データを用いた予測、患者が感染性疾患に罹患しているかどうかを検出するための患者の医療データを用いた予測、公共医療データと患者医療データを用いて人口内で拡散している病気の程度を推定する予測の3つの分野に分類する。
論文 参考訳（メタデータ） (2024-11-14T00:43:32Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Machine Learning for Infectious Disease Risk Prediction: A Survey [14.030548098195258]
本稿では,機械学習が病気の伝達パターンを定量的に特徴づける上で,いかに重要な役割を果たせるかを体系的に記述する。
モデル入力の処理、タスク指向の目的の設計、性能評価の実行において直面する課題について議論する。
論文 参考訳（メタデータ） (2023-08-06T06:57:11Z) - Transfer learning and Local interpretable model agnostic based visual
approach in Monkeypox Disease Detection and Classification: A Deep Learning
insights [0.0]
近年のサルポックス病は、世界がまだコロナウイルス病2019(COVID-19)と戦っているときに、世界的なパンデミックの脅威となる。
我々は、VGG16、InceptionResNetV2、ResNet50、ResNet101、MobileNetV2、VGG19を用いたトランスファー学習アプローチの6つの異なるディープラーニングモデルの修正とテストを行った。
予備計算の結果,改良型InceptionResNetV2モデルとMobileNetV2モデルは,93%から99%の精度で高い性能を示した。
論文 参考訳（メタデータ） (2022-11-01T18:07:34Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳（メタデータ） (2022-07-19T16:15:11Z) - Deep Transfer Learning for Infectious Disease Case Detection Using
Electronic Medical Records [0.0]
感染症のパンデミックでは、電子カルテやモデル(これらの記録から得られた)を地域間で共有することが重要である。
あるリージョンのデータ/モデルを別のリージョンに適用する場合、従来の機械学習技術の仮定に反する分散シフトの問題がしばしば発生します。
ディープトランスファー学習アルゴリズムの可能性を探るため、2つのデータベースアルゴリズムとモデルベーストランスファー学習アルゴリズムを感染症検出タスクに応用した。
論文 参考訳（メタデータ） (2021-03-08T01:53:29Z) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳（メタデータ） (2020-10-28T10:58:59Z) - Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。
我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文 参考訳（メタデータ） (2020-09-23T22:35:43Z) - 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) - Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。
実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
論文 参考訳（メタデータ） (2020-06-05T02:04:25Z)
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。