論文の概要: COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data
- arxiv url: http://arxiv.org/abs/2204.11210v1
- Date: Sun, 24 Apr 2022 07:38:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-26 15:37:28.965356
- Title: COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data
- Title（参考訳）: COVID-Net Biochem: 臨床・生化学データによるCOVID-19患者の生存・腎臓損傷予測のための機械学習モデル構築のための説明責任駆動型フレームワーク
- Authors: Hossein Aboutalebi, Maya Pavlova, Mohammad Javad Shafiee, Adrian
Florea, Andrew Hryniowski, Alexander Wong
- Abstract要約: COVID-Net Biochemは、患者の生存を予測し、入院中に腎臓を損傷する可能性を予測する機械学習モデルを構築するための説明責任駆動フレームワークである。
ストーニーブルック大学の1366人の患者コホートから、慎重に選択された臨床および生化学データのベンチマークデータセットを収集した。
- 参考スコア（独自算出の注目度）: 73.30529177747134
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ever since the declaration of COVID-19 as a pandemic by the World Health
Organization in 2020, the world has continued to struggle in controlling and
containing the spread of the COVID-19 pandemic caused by the SARS-CoV-2 virus.
This has been especially challenging with the rise of the Omicron variant and
its subvariants and recombinants, which has led to a significant increase in
patients seeking treatment and has put a tremendous burden on hospitals and
healthcare systems. A major challenge faced during the pandemic has been the
prediction of survival and the risk for additional injuries in individual
patients, which requires significant clinical expertise and additional
resources to avoid further complications. In this study we propose COVID-Net
Biochem, an explainability-driven framework for building machine learning
models to predict patient survival and the chance of developing kidney injury
during hospitalization from clinical and biochemistry data in a transparent and
systematic manner. In the first "clinician-guided initial design" phase, we
prepared a benchmark dataset of carefully selected clinical and biochemistry
data based on clinician assessment, which were curated from a patient cohort of
1366 patients at Stony Brook University. A collection of different machine
learning models with a diversity of gradient based boosting tree architectures
and deep transformer architectures was designed and trained specifically for
survival and kidney injury prediction based on the carefully selected clinical
and biochemical markers.
- Abstract（参考訳）: 2020年の世界保健機関(WHO)による新型コロナウイルスのパンデミック宣言以来、世界はSARS-CoV-2ウイルスによる新型コロナウイルスの感染拡大を抑えるのに苦戦を続けている。
これは、omicron変異体とその亜変量および組換え体の増加によって特に困難であり、治療を求める患者が大幅に増加し、病院や医療システムに多大な負担をかけた。
パンデミックの間に直面した大きな課題は、生存率の予測と個々の患者への追加的な怪我のリスクであり、さらなる合併症を避けるために重要な臨床専門知識と追加のリソースを必要とする。
本研究では,患者生存予測のための機械学習モデル構築のための説明可能性駆動型フレームワークであるCOVID-Net Biochemを提案する。
第1段階では,ストーニーブルック大学の患者1366名を対象に,臨床評価に基づいて慎重に選択した臨床・生化学データのベンチマークデータセットを作成した。
臨床および生化学的マーカーを慎重に選択し,生き残りと腎臓傷害予測に特化して設計・訓練された,勾配に基づくブースティングツリーアーキテクチャとディープトランスフォーマーアーキテクチャの多様性を持つ機械学習モデルのコレクション。
関連論文リスト
- Review of Interpretable Machine Learning Models for Disease Prognosis [6.758348517014495]
新型コロナウイルス(COVID-19)のパンデミックを受けて、解釈可能な機械学習が大きな注目を集めている。
本稿では,呼吸器疾患の予後を予測するための解釈可能な機械学習の応用について概説する。
論文 参考訳（メタデータ） (2024-05-19T20:39:46Z) - XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。
我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。
我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文 参考訳（メタデータ） (2023-12-29T14:28:04Z) - Deployment of a Robust and Explainable Mortality Prediction Model: The
COVID-19 Pandemic and Beyond [0.59374762912328]
本研究では、新型コロナウイルスのパンデミック以降の死亡率予測におけるAIモデルの有効性、説明可能性、堅牢性について検討した。
論文 参考訳（メタデータ） (2023-11-28T18:15:53Z) - Scalable Pathogen Detection from Next Generation DNA Sequencing with
Deep Learning [3.8175773487333857]
本稿ではトランスフォーマーネットワークをバックボーンとして利用するディープラーニングベースのソリューションMG2Vecを提案する。
提案手法は,未治療の実際の臨床サンプルから病原体を検出するのに有効であることを示す。
本稿では,メタジェノムをベースとした深層学習による疾患診断のための新しい表現学習フレームワークの包括的評価を行う。
論文 参考訳（メタデータ） (2022-11-30T00:13:59Z) - Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence
Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。
シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文 参考訳（メタデータ） (2022-07-18T19:16:56Z) - Survival-oriented embeddings for improving accessibility to complex data
structures [2.1847940931069605]
本稿では、生存分析の文脈における深層ニューラルネットワークの直接解釈を支援するハザード規則化変分オートエンコーダを提案する。
肝腫瘍患者の腹部CT検査と生存時間について検討した。
論文 参考訳（メタデータ） (2021-10-21T17:38:08Z) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳（メタデータ） (2021-04-06T02:01:43Z) - COVIDx-US -- An open-access benchmark dataset of ultrasound imaging data
for AI-driven COVID-19 analytics [116.6248556979572]
COVIDx-USは、新型コロナウイルス関連超音波画像データのオープンアクセスベンチマークデータセットです。
肺超音波93本と,SARS-CoV-2肺炎,非SARS-CoV-2肺炎,健康管理症例10,774本からなる。
論文 参考訳（メタデータ） (2021-03-18T03:31:33Z) - Artificial Intelligence for COVID-19 Detection -- A state-of-the-art
review [5.237999056930947]
新型コロナウイルスの出現は、適切な管理のために科学界の多くの努力を必要としている。
深層学習 (DL) と人工知能 (AI) の使用は、上記すべての領域で求められる。
グローバル緊急時の課題に対処するために、DLとAIを効果的に実装できることを評価することができる。
論文 参考訳（メタデータ） (2020-11-25T07:02:14Z) - Mapping the Landscape of Artificial Intelligence Applications against
COVID-19 [59.30734371401316]
世界保健機関(WHO)は、SARS-CoV-2ウイルスによる新型コロナウイルスの感染をパンデミックと宣言した。
我々は、機械学習と、より広範に、人工知能を用いた最近の研究の概要を、新型コロナウイルス危機の多くの側面に取り組むために提示する。
論文 参考訳（メタデータ） (2020-03-25T12:30:33Z)
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。