論文の概要: A novel solution of deep learning for enhanced support vector machine
for predicting the onset of type 2 diabetes
- arxiv url: http://arxiv.org/abs/2208.06354v1
- Date: Fri, 5 Aug 2022 18:15:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-28 22:15:32.264442
- Title: A novel solution of deep learning for enhanced support vector machine
for predicting the onset of type 2 diabetes
- Title（参考訳）: 2型糖尿病発症予測のための強化サポートベクターマシンのための深層学習の新たな解法
- Authors: Marmik Shrestha, Omar Hisham Alsadoon, Abeer Alsadoon, Thair
Al-Dala'in, Tarik A. Rashid, P.W.C. Prasad, Ahmad Alrubaie
- Abstract要約: 本研究の目的は,2型糖尿病の発症予測に要する処理時間を改善しつつ,AUC(Area Under the Curve)測定値の精度と精度を向上させることである。
提案手法は平均精度86.31 %、平均AUC値は0.8270 %または82.70 %であり、処理は3.8ミリ秒改善されている。
- 参考スコア（独自算出の注目度）: 32.25039205521283
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Type 2 Diabetes is one of the most major and fatal diseases known to human
beings, where thousands of people are subjected to the onset of Type 2 Diabetes
every year. However, the diagnosis and prevention of Type 2 Diabetes are
relatively costly in today's scenario; hence, the use of machine learning and
deep learning techniques is gaining momentum for predicting the onset of Type 2
Diabetes. This research aims to increase the accuracy and Area Under the Curve
(AUC) metric while improving the processing time for predicting the onset of
Type 2 Diabetes. The proposed system consists of a deep learning technique that
uses the Support Vector Machine (SVM) algorithm along with the Radial Base
Function (RBF) along with the Long Short-term Memory Layer (LSTM) for
prediction of onset of Type 2 Diabetes. The proposed solution provides an
average accuracy of 86.31 % and an average AUC value of 0.8270 or 82.70 %, with
an improvement of 3.8 milliseconds in the processing. Radial Base Function
(RBF) kernel and the LSTM layer enhance the prediction accuracy and AUC metric
from the current industry standard, making it more feasible for practical use
without compromising the processing time.
- Abstract（参考訳）: 2型糖尿病は人間にとって最も重篤で致命的な病気の1つであり、毎年何千人もの人が2型糖尿病の発症を受ける。
しかし、現在のシナリオでは2型糖尿病の診断と予防は比較的コストがかかるため、機械学習とディープラーニング技術の使用が2型糖尿病の発症を予測するための勢いを増している。
本研究は, 2型糖尿病の発症を予測する処理時間を改善しつつ, 曲線(auc)測定値の精度と面積を向上させることを目的とした。
提案システムは,支援ベクトルマシン(SVM)アルゴリズムと放射ベース関数(RBF)を併用した深層学習手法と,2型糖尿病の発症予測のための長短記憶層(LSTM)から構成される。
提案法では,平均精度86.31 %,平均 auc 値は 0.8270 または 82.70 % となり,処理速度は 3.8 ミリ秒向上した。
Radial Base Function (RBF) カーネルとLSTMレイヤは、現在の業界標準から予測精度とAUCメトリックを強化し、処理時間を犠牲にすることなく実用的な使用を可能にした。
関連論文リスト
- Machine Learning based prediction of Glucose Levels in Type 1 Diabetes
Patients with the use of Continuous Glucose Monitoring Data [0.0]
連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)デバイスは、患者の血糖値に関する詳細な、非侵襲的でリアルタイムな洞察を提供する。
将来のグルコースレベルの予測方法としての高度な機械学習(ML)モデルを活用することで、生活改善の実質的な品質がもたらされる。
論文 参考訳（メタデータ） (2023-02-24T19:10:40Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - HealthEdge: A Machine Learning-Based Smart Healthcare Framework for
Prediction of Type 2 Diabetes in an Integrated IoT, Edge, and Cloud Computing
System [0.0]
糖尿病の急激な増加は、糖尿病の発生を予防・予測するために予防措置を取る必要があることを要求する。
本稿では,IoT-エッジクラウド統合コンピューティングシステムにおける2型糖尿病予測のための機械学習ベースのスマートヘルスケアフレームワークであるHealthEdgeを提案する。
論文 参考訳（メタデータ） (2023-01-25T07:57:18Z) - SACDNet: Towards Early Type 2 Diabetes Prediction with Uncertainty for
Electronic Health Records [0.951828574518325]
本研究では,多頭部自己注意層と高密度層を用いた早期T2DM予測のためのニューラルネットワークアーキテクチャを提案する。
提案手法は、SACDNet(Self-Attention for Comorbid Disease Net)と呼ばれ、89.3%の精度とF1スコア89.1%の精度を実現している。
T2DM予測データセットも,糖尿病4,124例と非糖尿病181,767例からなる実世界の電子健康記録(EHR)データに基づいて構築されている。
論文 参考訳（メタデータ） (2023-01-12T07:14:47Z) - Prognosis and Treatment Prediction of Type-2 Diabetes Using Deep Neural
Network and Machine Learning Classifiers [1.1470070927586016]
本研究の動作は,7つの機械学習分類器と,糖尿病の検出と治療を高精度に予測するためのニューラルネットワーク手法の比較研究である。
トレーニングとテストデータセットは9483人の糖尿病患者の情報を蓄積したものです。
私たちのハイパフォーマンスモデルは、糖尿病を予測し、より正確な予測モデルの研究を促進するために病院によって利用できます。
論文 参考訳（メタデータ） (2023-01-08T19:10:20Z) - Secure and Privacy-Preserving Automated Machine Learning Operations into
End-to-End Integrated IoT-Edge-Artificial Intelligence-Blockchain Monitoring
System for Diabetes Mellitus Prediction [0.5825410941577593]
本稿では,危険因子に基づく糖尿病予測のためのIoT-edge-Artificial Intelligence (AI)-blockchainシステムを提案する。
提案システムはブロックチェーンによって支えられ、異なる病院の患者からリスクファクターデータの密集したビューを得る。
提案システムでは,最も正確なランダム林モデルを用いて,数値実験と比較解析を行った。
論文 参考訳（メタデータ） (2022-11-13T13:57:14Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳（メタデータ） (2020-08-22T07:48:04Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳（メタデータ） (2020-07-16T17:43:13Z) - Accuracy of MRI Classification Algorithms in a Tertiary Memory Center
Clinical Routine Cohort [40.24757332810004]
自動体積測定ソフトウェア(AVS)は近年,神経放射線学者に広く普及している。
機械学習技術は診断を支援するための有望なアプローチとして登場した。
論文 参考訳（メタデータ） (2020-03-19T08:44:46Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2020-02-06T16:39:44Z)
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。