論文の概要: SIBILA: High-performance computing and interpretable machine learning
join efforts toward personalised medicine in a novel decision-making tool
- arxiv url: http://arxiv.org/abs/2205.06234v1
- Date: Thu, 12 May 2022 17:23:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 12:27:02.634573
- Title: SIBILA: High-performance computing and interpretable machine learning
join efforts toward personalised medicine in a novel decision-making tool
- Title(参考訳): SIBILA:新しい意思決定ツールにおける個人化医療に向けた高性能コンピューティングと解釈可能な機械学習の連携
- Authors: Antonio Jes\'us Banegas-Luna, Horacio P\'erez-S\'anchez
- Abstract要約: いくつかの機械学習およびディープラーニングモデルは、単一のソフトウェアツールであるSIBILAに実装されている。
モデルがトレーニングされると、SIBILAは様々な解釈可能性手法を適用して、各モデルが予測する最も重要な入力特徴を特定する。
得られた全ての特徴は、各変数のグローバルな属性を予測に当てはめるために共通に置かれる。
- 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: Background and Objectives: Personalised medicine remains a major challenge
for scientists. The rapid growth of Machine learning and Deep learning has made
it a feasible alternative for predicting the most appropriate therapy for
individual patients. However, the lack of interpretation of their results and
high computational requirements make many reluctant to use these methods.
Methods: Several Machine learning and Deep learning models have been
implemented into a single software tool, SIBILA. Once the models are trained,
SIBILA applies a range of interpretability methods to identify the input
features that each model considered the most important to predict. In addition,
all the features obtained are put in common to estimate the global attribution
of each variable to the predictions. To facilitate its use by non-experts,
SIBILA is also available to all users free of charge as a web server at
https://bio-hpc.ucam.edu/sibil a/.
Results: SIBILA has been applied to three case studies to show its accuracy
and efficiency in classification and regression problems. The first two cases
proved that SIBILA can make accurate predictions even on uncleaned datasets.
The last case demonstrates that SIBILA can be applied to medical contexts with
real data.
Conclusion: With the aim of becoming a powerful decision-making tool for
clinicians, SIBILA has been developed. SIBILA is a novel software tool that
leverages interpretable machine learning to make accurate predictions and
explain how models made those decisions. SIBILA can be run on high-performance
computing platforms, drastically reducing computing times.
- Abstract(参考訳): 背景と目的: パーソナライズド・メディカルは科学者にとって大きな課題である。
機械学習とディープラーニングの急速な成長は、個々の患者に対する最も適切な治療を予測するための有効な代替手段となった。
しかし、結果の解釈の欠如と高い計算量要求により、多くの人はこれらの手法の使用を嫌がる。
メソッド: いくつかの機械学習およびディープラーニングモデルは、単一のソフトウェアツールであるSIBILAに実装されている。
モデルがトレーニングされると、SIBILAは様々な解釈可能性手法を適用して、各モデルが予測する最も重要な入力特徴を特定する。
さらに、得られた全ての機能は、予測に対する各変数のグローバル帰属を推定するために共通に置かれる。
非専門家による利用を容易にするため、sibilaはhttps://bio-hpc.ucam.edu/sibil a/のwebサーバとして無料で利用できる。
結果:SIBILAは分類問題と回帰問題における精度と効率を示すために3つのケーススタディに適用された。
最初の2つのケースは、SIBILAが不正なデータセットでも正確な予測ができることを示した。
最後のケースでは、SIBILAが実際のデータを用いて医療状況に適用可能であることを示す。
結論: 臨床医のための強力な意思決定ツールを目指してSIBILAが開発された。
SIBILAは、解釈可能な機械学習を利用して正確な予測を行い、モデルがどのように意思決定を行ったかを説明する新しいソフトウェアツールである。
SIBILAは高性能コンピューティングプラットフォーム上で実行でき、計算時間を劇的に削減できる。
関連論文リスト
- Bridging the Gap Between Patient-specific and Patient-independent
Seizure Prediction via Knowledge Distillation [7.2666838978096875]
既存のアプローチは通常、てんかんの信号の高度にパーソナライズされた特性のために、患者固有の方法でモデルを訓練する。
患者固有のモデルは、蒸留された知識と追加のパーソナライズされたデータによって得られる。
提案手法を用いて,CHB-MIT sEEGデータベース上で5つの最先端の発作予測法を訓練する。
論文 参考訳(メタデータ) (2022-02-25T10:30:29Z) - BERT WEAVER: Using WEight AVERaging to Enable Lifelong Learning for
Transformer-based Models [69.54942445850462]
We present WEAVER, a simple, yet efficient post-processing method that infuse old knowledge into the new model。
WEAVERを逐次的に適用すると、同じ単語の埋め込み分布が、一度にすべてのデータに対する総合的なトレーニングとして得られることを示す。
論文 参考訳(メタデータ) (2022-02-21T10:34:41Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳(メタデータ) (2021-12-22T14:45:37Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳(メタデータ) (2021-07-20T07:04:52Z) - Uncertainty Prediction for Machine Learning Models of Material
Properties [0.0]
物質特性のAIベースの予測の不確実性は、物質科学におけるAIアプリケーションの成功と信頼性にとって非常に重要である。
このような個人的不確実性を得るための3つの異なるアプローチを比較し、それらを12のML物理特性で検証する。
論文 参考訳(メタデータ) (2021-07-16T16:33:55Z) - Exploring Bayesian Deep Learning for Urgent Instructor Intervention Need
in MOOC Forums [58.221459787471254]
大規模なオープンオンラインコース(MOOC)は、その柔軟性のおかげで、eラーニングの一般的な選択肢となっている。
多くの学習者とその多様な背景から、リアルタイムサポートの提供は課税されている。
MOOCインストラクターの大量の投稿と高い作業負荷により、インストラクターが介入を必要とするすべての学習者を識別できる可能性は低いです。
本稿では,モンテカルロドロップアウトと変分推論という2つの手法を用いて,学習者によるテキスト投稿のベイジアン深層学習を初めて検討する。
論文 参考訳(メタデータ) (2021-04-26T15:12:13Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳(メタデータ) (2021-04-11T12:14:04Z) - Developing a New Autism Diagnosis Process Based on a Hybrid Deep
Learning Architecture Through Analyzing Home Videos [1.2691047660244335]
現在、54人中1人が自閉症スペクトラム障害(ASD)と診断されており、2000年より178%高い。
本稿では,分類データと画像データの両方を用いて,従来のASD事前スクリーニングを自動化するハイブリッドアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-04-02T17:30:35Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳(メタデータ) (2021-02-25T14:24:49Z) - Explainable Multi-class Classification of Medical Data [0.9137554315375922]
大規模医療データセットの多クラス分類について解説する。
この研究では、SVM(Support Vector Machine)、Na"ive Bayes、Gradient Boosting、Decision Trees、Random Forest、Logistic Regressionの6つのアルゴリズムが使用されている。
本研究では,23の薬物機能を用いて6つの応用学習アルゴリズムのうち5つのリコールを改善することを示した。
論文 参考訳(メタデータ) (2020-12-26T18:56:07Z)
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。