論文の概要: Transfer learning and Local interpretable model agnostic based visual
approach in Monkeypox Disease Detection and Classification: A Deep Learning
insights
- arxiv url: http://arxiv.org/abs/2211.05633v1
- Date: Tue, 1 Nov 2022 18:07:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 23:19:08.426817
- Title: Transfer learning and Local interpretable model agnostic based visual
approach in Monkeypox Disease Detection and Classification: A Deep Learning
insights
- Title（参考訳）: モンキーポックス病の検出と分類における伝達学習と局所解釈モデル非依存的視覚アプローチ:深層学習の知見
- Authors: Md Manjurul Ahsan, Tareque Abu Abdullah, Md Shahin Ali, Fatematuj
Jahora, Md Khairul Islam, Amin G. Alhashim, Kishor Datta Gupta
- Abstract要約: 近年のサルポックス病は、世界がまだコロナウイルス病2019(COVID-19)と戦っているときに、世界的なパンデミックの脅威となる。
我々は、VGG16、InceptionResNetV2、ResNet50、ResNet101、MobileNetV2、VGG19を用いたトランスファー学習アプローチの6つの異なるディープラーニングモデルの修正とテストを行った。
予備計算の結果,改良型InceptionResNetV2モデルとMobileNetV2モデルは,93%から99%の精度で高い性能を示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The recent development of Monkeypox disease among various nations poses a
global pandemic threat when the world is still fighting Coronavirus
Disease-2019 (COVID-19). At its dawn, the slow and steady transmission of
Monkeypox disease among individuals needs to be addressed seriously. Over the
years, Deep learning (DL) based disease prediction has demonstrated true
potential by providing early, cheap, and affordable diagnosis facilities.
Considering this opportunity, we have conducted two studies where we modified
and tested six distinct deep learning models-VGG16, InceptionResNetV2,
ResNet50, ResNet101, MobileNetV2, and VGG19-using transfer learning approaches.
Our preliminary computational results show that the proposed modified
InceptionResNetV2 and MobileNetV2 models perform best by achieving an accuracy
ranging from 93% to 99%. Our findings are reinforced by recent academic work
that demonstrates improved performance in constructing multiple disease
diagnosis models using transfer learning approaches. Lastly, we further explain
our model prediction using Local Interpretable Model-Agnostic Explanations
(LIME), which play an essential role in identifying important features that
characterize the onset of Monkeypox disease.
- Abstract（参考訳）: 近年の各国におけるサルポックス病の流行は、世界がまだコロナウイルス病と闘っているときに世界的なパンデミックの脅威となる。
その夜明けには、モンキーポックス病のゆっくりと安定した個体間の伝染を真剣に扱う必要がある。
長年にわたり、Deep Learning (DL)ベースの疾患予測は、早期、安価、安価な診断施設を提供することによって真の可能性を示している。
この機会を考慮して、我々はVGG16、InceptionResNetV2、ResNet50、ResNet101、MobileNetV2、VGG19の6つの異なるディープラーニングモデルの修正とテストを行った。
予備計算の結果から,提案するinceptionresnetv2およびmobilenetv2モデルは,精度93%から99%の精度で性能が向上した。
本研究は, 転帰学習を用いた複数の疾患診断モデルの構築における性能向上を実証する最近の学術研究によって補強されている。
最後に,サルポックス病の発症を特徴付ける重要な特徴を特定する上で重要な役割を果たす局所的解釈可能なモデル非依存的説明(lime)を用いて,モデル予測についてさらに説明する。
関連論文リスト
- MpoxVLM: A Vision-Language Model for Diagnosing Skin Lesions from Mpox Virus Infection [5.161537754987037]
ムポックス(サルポックスウイルスによる)は、しばしば診断されない動物感染症の顕著な例である。
MpoxVLMは, 皮膚病変画像と患者臨床情報の両方を分析し, mpoxの検出を目的とした視覚言語モデル(VLM)を提案する。
本研究は, mpox検出における90.38%の精度を達成し, mpox対策における早期診断精度を向上させるための有望な経路を提供する。
論文 参考訳（メタデータ） (2024-11-16T21:09:04Z) - Disease-informed Adaptation of Vision-Language Models [14.081146704890745]
本稿では,医用画像解析におけるVLMを用いた伝達学習の可能性について検討する。
VLMの効果的な適応は、疾患概念のニュアンス表現学習に影響を及ぼすと論じている。
本稿では,新しい病原体学習フレームワークにおいて,病原体によるコンテキストプロンプトを導入する。
論文 参考訳（メタデータ） (2024-05-24T17:18:02Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - Image Data collection and implementation of deep learning-based model in
detecting Monkeypox disease using modified VGG16 [0.0]
新たに開発された"Monkeypox2022"データセットを紹介します。
研究1と2の2つの異なる研究を含む改良VGG16モデルを提案し評価する。
検討の結果,サルポックス患者を9.7pm1.8%の精度で同定できることが示唆された。
論文 参考訳（メタデータ） (2022-06-04T00:34:15Z) - Forecasting new diseases in low-data settings using transfer learning [0.0]
転帰学習を用いた新しい疾患の予測に,関連疾患の知識がいかに役立つかを示す。
転送学習は,対象疾患のデータに基づくモデルを超えても,予測を改善する可能性を秘めている。
論文 参考訳（メタデータ） (2022-04-07T17:54:39Z) - Understanding the Spread of COVID-19 Epidemic: A Spatio-Temporal Point
Process View [44.67854875502783]
1月21日以降、米国では100万人以上が新型コロナウイルスの感染者を確認している。
この伝染性呼吸器疾患は、米国の3000以上の郡と50の州に急速に広がった。
本疾患の複雑な時空干渉伝播を理解するためには,正確な予測や知的外的介入が可能であることが不可欠である。
論文 参考訳（メタデータ） (2021-06-24T15:26:46Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。
我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文 参考訳（メタデータ） (2020-09-23T22:35:43Z) - 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) - Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。
実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
論文 参考訳（メタデータ） (2020-06-05T02:04:25Z)
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。