Fugu-MT 論文翻訳(概要): iPAL: A Machine Learning Based Smart Healthcare Framework For Automatic Diagnosis Of Attention Deficit/Hyperactivity Disorder (ADHD)

論文の概要: iPAL: A Machine Learning Based Smart Healthcare Framework For Automatic Diagnosis Of Attention Deficit/Hyperactivity Disorder (ADHD)

arxiv url: http://arxiv.org/abs/2302.00332v1
Date: Wed, 1 Feb 2023 09:29:20 GMT
ステータス: 処理完了
システム内更新日: 2023-02-02 13:16:20.174949
Title: iPAL: A Machine Learning Based Smart Healthcare Framework For Automatic Diagnosis Of Attention Deficit/Hyperactivity Disorder (ADHD)
Title（参考訳）: iPAL:注意欠陥/多動性障害(ADHD)の自動診断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: Abhishek Sharma, Arpit Jain, Shubhangi Sharma, Ashutosh Gupta, Prateek Jain, Saraju P. Mohanty
Abstract要約: この研究は、ADHD200データセット上のニューラルネットワークやSVMモデルのような機械学習技術を組み合わせてADHDを診断する方法を探究する。本研究では,SVMモデルを用いた表現型データに対してマルチクラス分類を行う。ロジスティック回帰,KNN,AdaBoostなどの他の教師あり学習手法と比較して,表現型データに対して良好な結果が得られた。
参考スコア（独自算出の注目度）: 15.675307032144064
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: ADHD is a prevalent disorder among the younger population. Standard evaluation techniques currently use evaluation forms, interviews with the patient, and more. However, its symptoms are similar to those of many other disorders like depression, conduct disorder, and oppositional defiant disorder, and these current diagnosis techniques are not very effective. Thus, a sophisticated computing model holds the potential to provide a promising diagnosis solution to this problem. This work attempts to explore methods to diagnose ADHD using combinations of multiple established machine learning techniques like neural networks and SVM models on the ADHD200 dataset and explore the field of neuroscience. In this work, multiclass classification is performed on phenotypic data using an SVM model. The better results have been analyzed on the phenotypic data compared to other supervised learning techniques like Logistic regression, KNN, AdaBoost, etc. In addition, neural networks have been implemented on functional connectivity from the MRI data of a sample of 40 subjects provided to achieve high accuracy without prior knowledge of neuroscience. It is combined with the phenotypic classifier using the ensemble technique to get a binary classifier. It is further trained and tested on 400 out of 824 subjects from the ADHD200 data set and achieved an accuracy of 92.5% for binary classification The training and testing accuracy has been achieved upto 99% using ensemble classifier.
Abstract（参考訳）: ADHDは若年層で広く見られる疾患である。標準評価技術は現在、評価フォーム、患者へのインタビューなどを使用している。しかし、その症状はうつ病、伝導性障害、対向性欠乏性障害などの他の多くの疾患と類似しており、これらの診断技術はあまり効果がない。したがって、洗練された計算モデルは、この問題に対する有望な診断ソリューションを提供する可能性を秘めている。この研究は、ADHD200データセット上のニューラルネットワークやSVMモデルといった複数の確立された機械学習技術を組み合わせて、ADHDの診断方法を模索し、神経科学の分野を探索する。本研究では,SVMモデルを用いた表現型データに対してマルチクラス分類を行う。表現型データについて、ロジスティック回帰、KNN、AdaBoostなどの他の教師あり学習手法と比較して、より良い結果が得られた。さらに、ニューラルネットワークは、神経科学の事前知識なしで高い精度を達成するために提供された40人の被験者のMRIデータから機能的な接続に実装されている。これは二項分類器を得るためにアンサンブル技術を用いて表現型分類器と組み合わせられる。 ADHD200データセットから824人の被験者のうち400人のトレーニングとテストが行われ、バイナリ分類の精度は92.5%に達したトレーニングとテストの精度は、アンサンブル分類器を使用して99%まで向上した。

関連論文リスト

DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文参考訳（メタデータ） (2023-12-02T22:57:25Z)
Exploiting the Brain's Network Structure for Automatic Identification of ADHD Subjects [70.37277191524755]
我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。 776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
論文参考訳（メタデータ） (2023-06-15T16:22:57Z)
Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文参考訳（メタデータ） (2023-05-25T16:29:16Z)
Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文参考訳（メタデータ） (2022-11-12T23:28:54Z)
Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文参考訳（メタデータ） (2022-09-22T04:17:57Z)
Classification of ADHD Patients Using Kernel Hierarchical Extreme Learning Machine [3.39487428163997]
我々は、脳機能接続のダイナミクスを利用して、医療画像データの特徴をモデル化する。その結果,最先端モデルよりも優れた分類率を得た。
論文参考訳（メタデータ） (2022-06-28T05:17:54Z)
Multi-confound regression adversarial network for deep learning-based diagnosis on highly heterogenous clinical data [1.2891210250935143]
我々は、高度に異種な臨床データに基づいてディープラーニングモデルを訓練するための新しいディープラーニングアーキテクチャ、MUCRANを開発した。われわれは、2019年以前にマサチューセッツ総合病院から収集した16,821個の臨床T1軸性脳MRIを用いてMUCRANを訓練した。このモデルでは,新たに収集したデータに対して90%以上の精度で頑健な性能を示した。
論文参考訳（メタデータ） (2022-05-05T18:39:09Z)
Classification of ADHD Patients by Kernel Hierarchical Extreme Learning Machine [4.168157981135698]
我々は,脳の機能的接続のダイナミクスを考察し,医療画像から機能的脳力学モデルをモデル化する。本稿では,23人のADHD児と45人のNC児を対象に,fMRI画像データの比較を行った。提案手法は既存の方法よりも優れた分類結果を得た。
論文参考訳（メタデータ） (2022-02-18T01:32:55Z)
Developing a New Autism Diagnosis Process Based on a Hybrid Deep Learning Architecture Through Analyzing Home Videos [1.2691047660244335]
現在、54人中1人が自閉症スペクトラム障害(ASD)と診断されており、2000年より178%高い。本稿では,分類データと画像データの両方を用いて,従来のASD事前スクリーニングを自動化するハイブリッドアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-04-02T17:30:35Z)
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)
Neuropsychiatric Disease Classification Using Functional Connectomics -- Results of the Connectomics in NeuroImaging Transfer Learning Challenge [11.28123908443373]
我々は,MICCAI 2019と共同で開催されたCNI-TLC(Connectomics in NeuroImaging Transfer Learning Challenge)を組織した。 CNI-TLCは,(1)青年期前コホートにおける注意欠陥・多動性障害(ADHD)の診断,(2)自閉症スペクトラム障害(ASD)患者の関連コホートへのADHDモデルの移行の2つの分類課題を含む。
論文参考訳（メタデータ） (2020-06-05T18:05:42Z)

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。