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/2204.11210v2
• Date: Tue, 17 Oct 2023 23:09:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-19 21:23:36.882233
• 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: 我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
• 参考スコア（独自算出の注目度）: 66.43957431843324
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since the World Health Organization declared COVID-19 a pandemic in 2020, the global community has faced ongoing challenges in controlling and mitigating the transmission of the SARS-CoV-2 virus, as well as its evolving subvariants and recombinants. A significant challenge during the pandemic has not only been the accurate detection of positive cases but also the efficient prediction of risks associated with complications and patient survival probabilities. These tasks entail considerable clinical resource allocation and attention.In this study, we introduce COVID-Net Biochem, a versatile and explainable framework for constructing machine learning models. We apply this framework to predict COVID-19 patient survival and the likelihood of developing Acute Kidney Injury during hospitalization, utilizing clinical and biochemical data in a transparent, systematic approach. The proposed approach advances machine learning model design by seamlessly integrating domain expertise with explainability tools, enabling model decisions to be based on key biomarkers. This fosters a more transparent and interpretable decision-making process made by machines specifically for medical applications.
• Abstract（参考訳）: 世界保健機関(who)は2020年に新型コロナウイルス(covid-19)のパンデミック(パンデミック)を宣言して以来、sars-cov-2ウイルスの感染の抑制と緩和、さらには進化するサブミュータントや組換えの課題に直面している。 パンデミックにおける重要な課題は、陽性症例の正確な検出だけでなく、合併症や患者の生存確率に関連するリスクの効率的な予測であった。 本稿では,機械学習モデル構築のための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて, 患者生存率と入院時に急性腎障害を発症する可能性を予測し, 臨床的および生化学的データを透明で体系的なアプローチで活用する。 提案手法は、説明可能性ツールとドメインの専門知識をシームレスに統合し、重要なバイオマーカーに基づいたモデル決定を可能にすることにより、機械学習モデル設計を進歩させる。 これにより、医療用途に特化した機械によるより透明で解釈可能な意思決定プロセスが育まれる。

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。