論文の概要: Accu-Help: A Machine Learning based Smart Healthcare Framework for
Accurate Detection of Obsessive Compulsive Disorder
- arxiv url: http://arxiv.org/abs/2212.02346v1
- Date: Mon, 5 Dec 2022 15:24:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 18:08:15.503897
- Title: Accu-Help: A Machine Learning based Smart Healthcare Framework for
Accurate Detection of Obsessive Compulsive Disorder
- Title（参考訳）: Accu-Help: 強迫性障害の正確な検出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
- Authors: Kabita Patel, Ajaya Kumar Tripathy, Laxmi Narayan Padhy, Sujita Kumar
Kar, Susanta Kumar Padhy, Saraju Prasad Mohanty
- Abstract要約: 機械学習を用いた酸化ストレスバイオマーカー(OSB)からのOCDの同定は,OCD研究において重要である。
バイオケミカル研究所におけるOSBからのOCDの効率的な検出を支援するために, 完全に自動化された, スマートで正確なOCD検出概念モデルを提案する。
このAccu-Helpでは、ニューラルネットワークベースのアプローチが86%のOCD予測精度で提示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years the importance of Smart Healthcare cannot be overstated. The
current work proposed to expand the state-of-art of smart healthcare in
integrating solutions for Obsessive Compulsive Disorder (OCD). Identification
of OCD from oxidative stress biomarkers (OSBs) using machine learning is an
important development in the study of OCD. However, this process involves the
collection of OCD class labels from hospitals, collection of corresponding OSBs
from biochemical laboratories, integrated and labeled dataset creation, use of
suitable machine learning algorithm for designing OCD prediction model, and
making these prediction models available for different biochemical laboratories
for OCD prediction for unlabeled OSBs. Further, from time to time, with
significant growth in the volume of the dataset with labeled samples,
redesigning the prediction model is required for further use. The whole process
requires distributed data collection, data integration, coordination between
the hospital and biochemical laboratory, dynamic machine learning OCD
prediction mode design using a suitable machine learning algorithm, and making
the machine learning model available for the biochemical laboratories. Keeping
all these things in mind, Accu-Help a fully automated, smart, and accurate OCD
detection conceptual model is proposed to help the biochemical laboratories for
efficient detection of OCD from OSBs. OSBs are classified into three classes:
Healthy Individual (HI), OCD Affected Individual (OAI), and Genetically
Affected Individual (GAI). The main component of this proposed framework is the
machine learning OCD prediction model design. In this Accu-Help, a neural
network-based approach is presented with an OCD prediction accuracy of 86
percent.
- Abstract（参考訳）: 近年では、スマートヘルスケアの重要性を誇張することはできない。
現在の研究は、OCD(Obsessive Compulsive Disorder)ソリューションの統合において、スマートヘルスケアの最先端性を拡張することを提案した。
機械学習を用いた酸化ストレスバイオマーカー(OSB)からのOCDの同定は,OCD研究において重要である。
しかしながら、このプロセスには、病院からのOCDクラスラベルの収集、生化学実験室からの対応するOSBの収集、統合およびラベル付きデータセットの作成、OCD予測モデルの設計に適した機械学習アルゴリズムの使用、ラベルなしOSBのOCD予測のためにこれらの予測モデルを異なる生化学実験室で利用することが含まれる。
さらに,ラベル付きサンプルを用いてデータセットのボリュームを大きく増加させるためには,予測モデルの再設計が必要である。
プロセス全体は、分散データ収集、データ統合、病院と生化学研究所の連携、適切な機械学習アルゴリズムを用いた動的機械学習OCD予測モードの設計、バイオケミカル研究所で利用できる機械学習モデルが必要である。
これらすべてを念頭に置いて、Accu-HelpはOSBからOCDを効率的に検出するために、完全に自動化され、スマートで正確なOCD検出概念モデルを提案する。
OSBは、Healthy individuals (HI)、OCD Affected individuals (OAI)、遺伝学的Affected individuals (GAI)の3つのクラスに分類される。
このフレームワークの主なコンポーネントは、機械学習のOCD予測モデル設計である。
このaccu-helpでは、ニューラルネットワークに基づくアプローチが、ocd予測精度86%で示される。
関連論文リスト
- Comparative Study of Machine Learning Algorithms in Detecting Cardiovascular Diseases [0.0]
機械学習技術を用いた心血管疾患(CVD)の検出は、医学的診断において大きな進歩を示している。
本研究では,ロジスティック回帰,決定木,ランダムフォレスト,グラディエントブースティング,サポートベクトルマシン(SVM),K-Nearest Neighbors(KNN),XGBoostなど,さまざまな機械学習アルゴリズムの比較分析を行った。
本研究は,アンサンブル法と高度なアルゴリズムを用いて信頼性の高い予測を行い,CVD検出のための包括的枠組みを提供する。
論文 参考訳（メタデータ） (2024-05-27T11:29:54Z) - Harnessing XGBoost for Robust Biomarker Selection of Obsessive-Compulsive Disorder (OCD) from Adolescent Brain Cognitive Development (ABCD) data [0.0]
本研究では, 若年者脳認知発達(ABCD)研究の高相関神経信号解析における各種教師あり機械学習モデルの性能評価を行った。
我々は、ニューロイメージングデータによく見られる相関構造を模倣するデータセットをシミュレーションし、ロジスティック回帰、弾性ネットワーク、ランダムフォレスト、XGBoostをマルチコリニアリティを処理し、予測特徴を正確に識別する能力に基づいて評価した。
論文 参考訳（メタデータ） (2024-05-14T23:43:34Z) - Detecting algorithmic bias in medical-AI models using trees [7.939586935057782]
本稿では,医療AI意思決定支援システムにおけるアルゴリズムバイアスの領域を検出するための革新的な枠組みを提案する。
本手法は,医学・AIモデルにおける潜在的なバイアスを,特に敗血症予測の文脈で効果的に同定する。
論文 参考訳（メタデータ） (2023-12-05T18:47:34Z) - Deep learning-based instance segmentation for the precise automated
quantification of digital breast cancer immunohistochemistry images [1.8434042562191815]
深層学習に基づくインスタンスセグメンテーションアーキテクチャを用いて,IHCスライスに適用した核バイオマーカーと膜バイオマーカーの自動定量化の実現可能性を示した。
HE, ER, Ki-67 (核バイオマーカー) およびHER2 (膜バイオマーカー) IHC-stained image を用いてアノテーションを収集した。
我々は、2つのモデル(いわゆる核・膜認識セグメンテーションモデル)を訓練した。
論文 参考訳（メタデータ） (2023-11-22T22:23:47Z) - An Interpretable Machine Learning Model with Deep Learning-based Imaging
Biomarkers for Diagnosis of Alzheimer's Disease [4.304406827494684]
本研究では,EBMの強度と,深層学習に基づく特徴抽出を用いた高次元イメージングデータを組み合わせたフレームワークを提案する。
提案手法は,深層学習機能の代わりにボリュームバイオマーカーを用いたESMモデルよりも優れていた。
論文 参考訳（メタデータ） (2023-08-15T13:54:50Z) - Robotic Navigation Autonomy for Subretinal Injection via Intelligent
Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。
提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。
ブタ前眼の精度と再現性について実験を行った。
論文 参考訳（メタデータ） (2023-01-17T21:41:21Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。
この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文 参考訳（メタデータ） (2022-04-24T07:38:37Z) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳（メタデータ） (2022-02-14T12:12:20Z) - Deep metric learning improves lab of origin prediction of genetically
engineered plasmids [63.05016513788047]
遺伝工学の属性(GEA)は、配列-ラブの関連を作る能力である。
本稿では,計量学習に基づいて,最も可能性の高い実験室をランク付けする手法を提案する。
我々は、特定の実験室のプラスミド配列のキーシグネチャを抽出することができ、モデル出力の解釈可能な検査を可能にする。
論文 参考訳（メタデータ） (2021-11-24T16:29:03Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z)
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。