論文の概要: An Artificial Intelligence-based model for cell killing prediction: development, validation and explainability analysis of the ANAKIN model

• arxiv url: http://arxiv.org/abs/2301.08289v1
• Date: Thu, 19 Jan 2023 20:00:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-23 14:15:41.332609
• Title: An Artificial Intelligence-based model for cell killing prediction: development, validation and explainability analysis of the ANAKIN model
• Title（参考訳）: 細胞死予測のための人工知能モデル:ANAKINモデルの開発,検証,説明可能性解析
• Authors: Francesco G. Cordoni, and Marta Missiaggia, Emanuele Scifoni and Chiara La Tessa
• Abstract要約: ANAKINは、放射線誘導細胞KIlliNg予測のための人工iNtelligence bAsedモデルである。 そこで, ANAKINはイオンの広い範囲と多くの細胞株に対して, 関連生物学的エンドポイントを正確に予測する方法を示す。
• 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 present work develops ANAKIN: an Artificial iNtelligence bAsed model for (radiation induced) cell KIlliNg prediction. ANAKIN is trained and tested over 513 cell survival experiments with different types of radiation contained in the publicly available PIDE database. We show how ANAKIN accurately predicts several relevant biological endpoints over a wide broad range on ions beams and for a high number of cell--lines. We compare the prediction of ANAKIN to the only two radiobiological model for RBE prediction used in clinics, that is the Microdosimetric Kinetic Model (MKM) and the Local Effect Model (LEM version III), showing how ANAKIN has higher accuracy over the all considered biological endpoints. At last, via modern techniques of Explainable Artificial Intelligence (XAI), we show how ANAKIN predictions can be understood and explained, highlighting how ANAKIN is in fact able to reproduce relevant well-known biological patterns, such as the overkilling effect.
• Abstract（参考訳）: 本研究は,(放射線誘発)細胞死予測のための人工知能モデルanakinを開発した。 ANAKINは、公開されているPIDEデータベースに含まれる様々な種類の放射線を用いて、513の細胞生存実験を訓練し、テストしている。 本研究では, 広範囲のイオンビームおよび多数の細胞株において, ANAKINが生物の終端を正確に予測する方法を示す。 アナキンの予測を臨床で使用されるrbe予測のための2つの放射性生物モデル、すなわちmicrodosimetric kinetic model (mkm) と局所効果モデル (lem version iii) と比較し、アナキンが全ての生物学的エンドポイントに対して高い精度を持つことを示した。 最後に、現代的な説明可能な人工知能(xai)技術を用いて、アナキンの予測がどのように理解され、説明できるかを示し、アナキンが実際、過剰殺人効果のような既知の生物学的パターンを再現できるかを強調する。

関連論文リスト

• Comparative Analysis of Machine Learning Approaches for Bone Age Assessment: A Comprehensive Study on Three Distinct Models [0.0]
  骨年齢予測の自動化に最も広く用いられている3つのモデルを解析した。 3つのモデル、Xception、VGG、CNNモデルは、正確性やその他の関連する要因についてテストされている。
  論文  参考訳（メタデータ） (2024-11-15T16:45:08Z)
• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• 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)
• Predictive Modeling for Breast Cancer Classification in the Context of Bangladeshi Patients: A Supervised Machine Learning Approach with Explainable AI [0.0]
  5種類の機械学習手法の分類精度,精度,リコール,F-1スコアを評価し,比較した。 XGBoostは97%という最高のモデル精度を達成した。
  論文  参考訳（メタデータ） (2024-04-06T17:23:21Z)
• Comparative Analysis of Epileptic Seizure Prediction: Exploring Diverse Pre-Processing Techniques and Machine Learning Models [0.0]
  脳波データを用いたてんかん発作予測のための5つの機械学習モデルの比較分析を行った。 本分析の結果は,各モデルの性能を精度で示すものである。 ETモデルは99.29%の精度で最高の性能を示した。
  論文  参考訳（メタデータ） (2023-08-06T08:50:08Z)
• Human Limits in Machine Learning: Prediction of Plant Phenotypes Using Soil Microbiome Data [0.2812395851874055]
  我々は,土壌と生物表現型との関係を理解するために,機械学習モデルの予測可能性について,初めて深く研究した。 土壌物理化学的特性や微生物集団密度などの環境特性をモデルに組み込んだ場合, 予測精度が向上することを示す。
  論文  参考訳（メタデータ） (2023-06-19T20:52:37Z)
• 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)
• Improvement of a Prediction Model for Heart Failure Survival through Explainable Artificial Intelligence [0.0]
  本研究は、心不全生存予測モデルの説明可能性分析と評価について述べる。 このモデルでは、最高のアンサンブルツリーアルゴリズムを選択できるデータワークフローパイプラインと、最高の機能選択テクニックが採用されている。 本論文の主な貢献は、精度-説明可能性バランスに基づいて、HF生存率の最良の予測モデルを選択するための説明可能性駆動型アプローチである。
  論文  参考訳（メタデータ） (2021-08-20T09:03:26Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)

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。