論文の概要: iMedBot: A Web-based Intelligent Agent for Healthcare Related Prediction
and Deep Learning
- arxiv url: http://arxiv.org/abs/2210.05671v1
- Date: Fri, 7 Oct 2022 19:27:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 15:53:35.898690
- Title: iMedBot: A Web-based Intelligent Agent for Healthcare Related Prediction
and Deep Learning
- Title（参考訳）: iMedBot: 医療関連予測とディープラーニングのためのWebベースのインテリジェントエージェント
- Authors: Chuhan Xu, Xia Jiang
- Abstract要約: iMedBotは、python FlaskのWebフレームワークを使って開発し、Amazon Web Services上にデプロイしたWebアプリケーションです。
利用者が提供した臨床情報に基づいて、5年、10年、15年の乳癌転移を予測することができる。
ユーザが提供するデータセットを使用して、DFNNモデルをトレーニングすることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Background: Breast cancer is a multifactorial disease, genetic and
environmental factors will affect its incidence probability. Breast cancer
metastasis is one of the main cause of breast cancer related deaths reported by
the American Cancer Society (ACS). Method: the iMedBot is a web application
that we developed using the python Flask web framework and deployed on Amazon
Web Services. It contains a frontend and a backend. The backend is supported by
a python program we developed using the python Keras and scikit-learn packages,
which can be used to learn deep feedforward neural network (DFNN) models.
Result: the iMedBot can provide two main services: 1. it can predict 5-, 10-,
or 15-year breast cancer metastasis based on a set of clinical information
provided by a user. The prediction is done by using a set of DFNN models that
were pretrained, and 2. It can train DFNN models for a user using user-provided
dataset. The model trained will be evaluated using AUC and both the AUC value
and the AUC ROC curve will be provided. Conclusion: The iMedBot web application
provides a user-friendly interface for user-agent interaction in conducting
personalized prediction and model training. It is an initial attempt to convert
results of deep learning research into an online tool that may stir further
research interests in this direction. Keywords: Deep learning, Breast Cancer,
Web application, Model training.
- Abstract（参考訳）: 背景:乳癌は多因子性疾患であり、遺伝的および環境要因がその発生確率に影響を与える。
乳癌転移は、アメリカがん協会(ACS)が報告した乳がん関連死亡の主な原因の1つである。
メソッド: iMedBotは、python Flask Webフレームワークを使用して開発し、Amazon Web ServicesにデプロイしたWebアプリケーションです。
フロントエンドとバックエンドを含んでいる。
バックエンドは、Python KerasとScikit-learnパッケージを使用して開発したpythonプログラムでサポートされています。
結果: iMedBotは2つの主要なサービスを提供することができる。
1. 患者が提供した臨床情報に基づいて, 5年, 10年, 15年の乳癌転移を予測できる。
予測は、事前訓練されたDFNNモデルのセットを使用して行われる。
2. ユーザが提供するデータセットを使用して、DFNNモデルをトレーニングすることができる。
トレーニングされたモデルはAUCを用いて評価され、AUC値とAUC ROC曲線の両方が提供される。
結論: imedbot webアプリケーションは、パーソナライズされた予測とモデルトレーニングを行う際に、ユーザ-エージェントインタラクションのためのユーザフレンドリなインターフェースを提供する。
これは、ディープラーニング研究の結果をオンラインツールに変換する最初の試みであり、この方向でさらなる研究関心を喚起する可能性がある。
キーワード:ディープラーニング、乳癌、Webアプリケーション、モデルトレーニング。
関連論文リスト
- TMSS: An End-to-End Transformer-based Multimodal Network for
Segmentation and Survival Prediction [0.0]
腫瘍学者は、分析においてこれを行うのではなく、医療画像や患者の歴史などの複数のソースから、脳内の情報を融合させる。
本研究は,がんの定量化と患者の生存率推定において,腫瘍学者の分析行動を模倣する深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-09-12T06:22:05Z) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳（メタデータ） (2022-07-01T12:16:42Z) - SIBILA: A novel interpretable ensemble of general-purpose machine
learning models applied to medical contexts [0.0]
SIBILAは、機械学習とディープラーニングモデルのアンサンブルである。
これは、最も関連する入力特徴を特定するために、様々な解釈可能性アルゴリズムを適用している。
2つの医学ケーススタディに適用され、分類問題における予測能力を示している。
論文 参考訳（メタデータ） (2022-05-12T17:23:24Z) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳（メタデータ） (2022-03-28T20:29:50Z) - Predicting Knee Osteoarthritis Progression from Structural MRI using
Deep Learning [2.9822184411723645]
先行技術は手動でデザインされたイメージングバイオマーカーに焦点を合わせており、MRIスキャンに存在するすべての疾患関連情報を十分に活用するものではないかもしれない。
対照的に,本手法では,Deep Learningを用いて生データのエンドツーエンドから関連する表現を学習する。
この方法は2D CNNを用いてデータをスライス的に処理し、抽出した特徴をTransformerを使って集約する。
論文 参考訳（メタデータ） (2022-01-26T10:17:41Z) - 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) - One to Many: Adaptive Instrument Segmentation via Meta Learning and
Dynamic Online Adaptation in Robotic Surgical Video [71.43912903508765]
MDALは、ロボット支援手術における機器セグメンテーションのための動的オンライン適応学習スキームです。
ビデオ固有のメタ学習パラダイムを通じて、楽器の一般的な知識と高速適応能力を学ぶ。
2つのデータセットで他の最先端のメソッドよりも優れています。
論文 参考訳（メタデータ） (2021-03-24T05:02:18Z) - PyHealth: A Python Library for Health Predictive Models [53.848478115284195]
PyHealthは、医療データ上で様々な予測モデルを開発するためのオープンソースのPythonツールボックスである。
データ前処理モジュールにより、複雑なヘルスケアデータセットを機械学習フレンドリーなフォーマットに変換できます。
予測モデリングモジュールは、確立されたアンサンブルツリーとディープニューラルネットワークベースのアプローチを含む30以上の機械学習モデルを提供します。
論文 参考訳（メタデータ） (2021-01-11T22:02:08Z) - When will the mist clear? On the Interpretability of Machine Learning
for Medical Applications: a survey [0.056212519098516295]
医学に適用された現在の機械学習モデル、フレームワーク、データベース、その他の関連ツールを分析します。
利用可能な証拠から、ANN、LR、SVMが好ましいモデルであることが観察されている。
本稿では,その解釈可能性,性能,必要な入力データについて論じる。
論文 参考訳（メタデータ） (2020-10-01T12:42:06Z) - Artificial Neural Network Based Breast Cancer Screening: A Comprehensive
Review [0.0]
本稿では,マンモグラフィによる乳癌の診断のための人工ニューラルネットワークモデルに関する文献を体系的にレビューする。
スパイキングニューラルネットワーク(SNN)、ディープ信頼ネットワーク(DBN)、畳み込みニューラルネットワーク(CNN)、多層ニューラルネットワーク(MLNN)、スタックドオートエンコーダ(SAE)、スタックドデノイズオートエンコーダ(SDAE)など、さまざまなANNモデルの利点と限界について述べる。
論文 参考訳（メタデータ） (2020-05-29T17:13:51Z) - Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文 参考訳（メタデータ） (2020-05-13T20:29:48Z)
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。