論文の概要: Machine Learning-based Biological Ageing Estimation Technologies: A Survey

• arxiv url: http://arxiv.org/abs/2206.12650v1
• Date: Sat, 25 Jun 2022 13:38:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-03 06:04:27.198610
• Title: Machine Learning-based Biological Ageing Estimation Technologies: A Survey
• Title（参考訳）: 機械学習に基づく生物学的老化推定技術:調査
• Authors: Zhaonian Zhang, Richard Jiang, Danny Crookes and Paul Chazot
• Abstract要約: 機械学習(ML)を用いた3つの年齢予測手法について概説する。 血液バイオマーカー、顔画像、構造的特徴をベースとしている。 予測精度はあまり良くないため、医療分野に多大な貢献はできない。
• 参考スコア（独自算出の注目度）: 2.9554549423413303
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, there are various methods of estimating Biological Age (BA) have been developed. Especially with the development of machine learning (ML), there are more and more types of BA predictions, and the accuracy has been greatly improved. The models for the estimation of BA play an important role in monitoring healthy aging, and could provide new tools to detect health status in the general population and give warnings to sub-healthy people. We will mainly review three age prediction methods by using ML. They are based on blood biomarkers, facial images, and structural neuroimaging features. For now, the model using blood biomarkers is the simplest, most direct, and most accurate method. The face image method is affected by various aspects such as race, environment, etc., the prediction accuracy is not very good, which cannot make a great contribution to the medical field. In summary, we are here to track the way forward in the era of big data for us and other potential general populations and show ways to leverage the vast amounts of data available today.
• Abstract（参考訳）: 近年,生物年齢(ba)を推定する手法が開発されている。 特に機械学習(ML)の開発では,BA予測のタイプがますます多くなり,精度が大幅に向上している。 BA推定モデルは、健康な高齢化をモニタリングする上で重要な役割を担い、一般市民の健康状態を検出し、不健康な人々に警告を与える新しいツールを提供する可能性がある。 MLを用いた3つの年齢予測手法について概説する。 これらは血液バイオマーカー、顔画像、神経画像の特徴に基づいている。 今のところ、血液バイオマーカーを用いたモデルは最もシンプルで、最も直接的で、最も正確な方法です。 顔画像法は, 人種, 環境などの様々な側面に影響され, 予測精度はあまり良くなく, 医療分野に大きな貢献が得られない。 まとめると、私たちは、私たちや他の潜在的な一般の人々のためのビッグデータの時代における道のりを追跡し、今日利用可能な膨大な量のデータを活用する方法を示しています。

関連論文リスト

• Lifestyle-Informed Personalized Blood Biomarker Prediction via Novel Representation Learning [7.845988771273181]
  今後,血液マーカーの値を予測する新しい枠組みを提案する。 提案手法は,生物マーカーと生活習慣因子の複雑な関係を捉える類似性に基づく埋め込み空間を学習する。
  論文  参考訳（メタデータ） (2024-07-09T23:52:53Z)
• Human Health Indicator Prediction from Gait Video [34.24448186464565]
  我々は、監視やホームモニタリングのシナリオでよく見られる健康指標の予測に、歩行ビデオを採用することを提案する。 健康指標予測タスクに適合するため,Global-Local Aware aNdsymmetric Centro (GLANCE)モジュールを提案する。 実験により,提案手法はMoViの健康指標を予測するための最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2022-12-25T19:10:37Z)
• Neurodevelopmental Phenotype Prediction: A State-of-the-Art Deep Learning Model [0.0]
  我々は,新生児の皮質表面データを解析するためにディープニューラルネットワークを適用した。 我々の目標は、神経発達のバイオマーカーを特定し、これらのバイオマーカーに基づいて出生時の妊娠年齢を予測することである。
  論文  参考訳（メタデータ） (2022-11-16T11:15:23Z)
• Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic Disorders [55.41644538483948]
  分類の自動化と類似性検索は、医師が可能な限り早期に遺伝状態の診断を行うための意思決定を支援する。 従来の研究は分類問題としてこの問題に対処し、深層学習法を用いてきた。 本研究では,健常人の大規模なコーパスで訓練した顔認識モデルを用いて,顔の表情認識に移行した。
  論文  参考訳（メタデータ） (2022-10-23T11:52:57Z)
• Label scarcity in biomedicine: Data-rich latent factor discovery enhances phenotype prediction [102.23901690661916]
  低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。 半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
  論文  参考訳（メタデータ） (2021-10-12T16:25:50Z)
• Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
  本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。 予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。 本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
  論文  参考訳（メタデータ） (2021-08-11T18:08:09Z)
• Evaluating the performance of personal, social, health-related, biomarker and genetic data for predicting an individuals future health using machine learning: A longitudinal analysis [0.0]
  この研究の目的は、個人、社会、健康関連、バイオマーカーおよび遺伝データの相対的貢献を個人における将来の健康の予測因子として識別するために機械学習アプローチを適用することである。 ニューラルネットワークによるディープラーニングとXGBoostという,予測モデル構築に2つの機械学習アプローチが使用された。 その結果、健康関連の指標が将来の健康状態を最も予測し、遺伝データが劣っていることがわかった。
  論文  参考訳（メタデータ） (2021-04-26T12:31:40Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Age-Net: An MRI-Based Iterative Framework for Brain Biological Age Estimation [18.503467872057424]
  生物学的年齢(BA)の概念は、主に明確に定義された基準基準が欠如していることから理解するのが困難である。 臓器特異的BA推定のための新しい画像ベースフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-22T19:04:02Z)
• 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)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)

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。