論文の概要: A Comparative Study on Application of Class-Imbalance Learning for
Severity Prediction of Adverse Events Following Immunization
- arxiv url: http://arxiv.org/abs/2206.09752v1
- Date: Mon, 20 Jun 2022 13:00:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 18:21:08.303656
- Title: A Comparative Study on Application of Class-Imbalance Learning for
Severity Prediction of Adverse Events Following Immunization
- Title(参考訳): クラス不均衡学習による予防接種後の有害事象の重症度予測に関する研究
- Authors: Ning Chen, Zhengke Sun, Tong Jia
- Abstract要約: 本研究では,予防接種後の有害事象のデータをもとに,その後の小児の退院を予測するための予測システムを提案する。
我々は、RUSBoostアルゴリズムの学習と改善のために、様々なクラス不均衡学習手法を使用した。
- 参考スコア(独自算出の注目度): 3.1971352423234425
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In collaboration with the Liaoning CDC, China, we propose a prediction system
to predict the subsequent hospitalization of children with adverse reactions
based on data on adverse events following immunization. We extracted multiple
features from the data, and selected "hospitalization or not" as the target for
classification. Since the data are imbalanced, we used various class-imbalance
learning methods for training and improved the RUSBoost algorithm. Experimental
results show that the improved RUSBoost has the highest Area Under the ROC
Curve on the target among these algorithms. Additionally, we compared these
class-imbalance learning methods with some common machine learning algorithms.
We combined the improved RUSBoost with dynamic web resource development
techniques to build an evaluation system with information entry and vaccination
response prediction capabilities for relevant medical practitioners.
- Abstract(参考訳): 中国cdcと共同で, 免疫接種後の有害事象に関するデータに基づいて, その後の副作用のある小児の入院を予測できる予測システムを提案する。
データから複数の特徴を抽出し,分類対象として「ホスピタリゼーションの有無」を選択した。
データを不均衡にするため、RUSBoostアルゴリズムのトレーニングと改良に様々なクラス不均衡学習手法を用いた。
実験の結果,改良されたRUSBoostは,これらのアルゴリズムのうち,ROC曲線が最も高い領域を有することがわかった。
さらに,これらのクラス不均衡学習手法を一般的な機械学習アルゴリズムと比較した。
改善されたRUSBoostと動的Webリソース開発技術を組み合わせて,関連する医療従事者を対象とした情報入力と接種反応予測機能を備えた評価システムを構築した。
関連論文リスト
- Explainable Contrastive and Cost-Sensitive Learning for Cervical Cancer
Classification [0.0]
最初に、トレーニング済みの5つのCNNを微調整し、誤分類の全体的なコストを最小化する。
教師付きコントラスト学習は、モデルが重要な特徴やパターンを捉えやすくするために含まれます。
実験の結果, 精度97.29%を達成し, 開発システムの有効性を実証した。
論文 参考訳(メタデータ) (2024-02-24T21:03:30Z) - Optimizing Brain Tumor Classification: A Comprehensive Study on Transfer
Learning and Imbalance Handling in Deep Learning Models [0.0]
MRIデータを用いた脳腫瘍分類のための新しい深層学習手法であるTransfer Learning-CNNを提案する。
公開のBrain MRIデータセットを活用することで、実験はさまざまな腫瘍タイプを分類するための様々な転写学習モデルを評価した。
VGG-16とCNNを組み合わせた提案手法は,96%の精度で,代替手法をはるかに上回った。
論文 参考訳(メタデータ) (2023-08-13T17:30:32Z) - Can Domain Adaptation Improve Accuracy and Fairness of Skin Lesion
Classification? [55.49029146917322]
各種非教師付き領域適応法(UDA)の2値・多値皮膚病変分類における適用可能性について検討した。
実験の結果,UDAは二分分類に有効であり,不均衡が緩和された場合にはさらなる改善が見られた。
本研究は,少数派に対する偏見を効果的に低減し,公平性を重視したテクニックを明示的に用いなくても公平性を促進できることを示した。
論文 参考訳(メタデータ) (2023-07-06T17:32:38Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳(メタデータ) (2023-04-07T23:51:07Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-01-14T15:07:43Z) - Density-Aware Personalized Training for Risk Prediction in Imbalanced
Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。
この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。
実世界の医療データセットにおけるモデルの性能向上を実証する。
論文 参考訳(メタデータ) (2022-07-23T00:39:53Z) - Neurochaos Feature Transformation and Classification for Imbalanced
Learning [0.0]
制限付きと不均衡なデータから学ぶことは、人工知能コミュニティでは難しい問題だ。
ヒト脳におけるカオス性神経細胞の発火に触発され、ニューロカオス学習(NL)と呼ばれる新しい学習アルゴリズムが最近提案された。
本稿では,ニューロカオスに基づく特徴変換と従来のMLアルゴリズムを用いた抽出のユニークな組み合わせを提案する。
論文 参考訳(メタデータ) (2022-04-20T16:11:45Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Boost AI Power: Data Augmentation Strategies with unlabelled Data and
Conformal Prediction, a Case in Alternative Herbal Medicine Discrimination
with Electronic Nose [12.31253329379136]
電子鼻は代替医療の分類において有効であることが証明されているが、教師付き学習コストの性質のため、従来の研究はラベル付きトレーニングデータに依存していた。
本研究は,データ拡張戦略を用いて分類精度を向上させることを目的とする。
論文 参考訳(メタデータ) (2021-02-05T10:25:36Z) - 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) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳(メタデータ) (2020-05-07T16:13:12Z)
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。