Fugu-MT 論文翻訳(概要): Mpox-AISM: AI-Mediated Super Monitoring for Forestalling Monkeypox Spread

論文の概要: Mpox-AISM: AI-Mediated Super Monitoring for Forestalling Monkeypox Spread

arxiv url: http://arxiv.org/abs/2303.09780v2
Date: Wed, 24 May 2023 06:00:33 GMT
ステータス: 処理完了
システム内更新日: 2023-05-26 01:52:59.687022
Title: Mpox-AISM: AI-Mediated Super Monitoring for Forestalling Monkeypox Spread
Title（参考訳）: Mpox-AISM: モンキーポックス拡散のAIによる監視
Authors: Yubiao Yue, Zhenzhang Li, Xinyue Zhang, Jialong Xu, Jinbao Liu, Yang Li
Abstract要約: スーパーモニタリング」と呼ばれる遠隔・リアルタイムのオンライン可視化戦略を提案する。このようなAIによる"スーパーモニタリング"(Mpox-AISM)は、ディープラーニング、データ拡張、自己教師型学習によって構築されたフレームワークを起動する。この戦略は、様々なシナリオにおける早期Mpoxのリアルタイム検出に利用することができる。
参考スコア（独自算出の注目度）: 5.159666040993184
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The challenge on forestalling monkeypox (Mpox) spread is the timely, convenient and accurate diagnosis for earlystage infected individuals. Here, we propose a remote and realtime online visualization strategy, called "Super Monitoring" to construct a low cost, convenient, timely and unspecialized diagnosis of early-stage Mpox. Such AI-mediated "Super Monitoring" (Mpox-AISM) invokes a framework assembled by deep learning, data augmentation and self-supervised learning, as well as professionally classifies four subtypes according to dataset characteristics and evolution trend of Mpox and seven other types of dermatopathya with high similarity, hence these features together with reasonable program interface and threshold setting ensure that its Recall (Sensitivity) was beyond 95.9% and the specificity was almost 100%. As a result, with the help of cloud service on Internet and communication terminal, this strategy can be potentially utilized for the real-time detection of earlystage Mpox in various scenarios including entry-exit inspection in airport, family doctor, rural area in underdeveloped region and wild to effectively shorten the window period of Mpox spread.
Abstract（参考訳）: フォレストアリング・モンキーポックス(mpox)の拡散に関する課題は、早期感染者に対するタイムリーで便利で正確な診断である。そこで本研究では, 早期mpoxの低コスト, 簡便, タイムリー, 非専門化診断を実現するために, 遠隔かつリアルタイムのオンライン可視化戦略「スーパーモニタリング」を提案する。このようなaiを媒介とする"super monitoring"(mpox-aism)は、ディープラーニング、データ拡張、自己教師付き学習によって組み立てられたフレームワークを起動すると同時に、mpoxのデータセットの特徴と進化傾向に基づいて4つのサブタイプを専門的に分類し、高い類似度を持つ他の7種類の皮膚症を分類する。その結果,インターネットおよび通信端末上でのクラウドサービスの活用により,空港の進入検査,家族医師,未開発地域の農村部,野生部などの様々なシナリオにおいて,早期Mpoxのリアルタイム検出に活用でき,Mpoxのウィンドウ期間を効果的に短縮することができる。

関連論文リスト

Mpox Screen Lite: AI-Driven On-Device Offline Mpox Screening for Low-Resource African Mpox Emergency Response [0.0]
2024年のMpoxの流行は、特にアフリカで重篤な1bの出現で、資源制限された環境での診断能力に重大なギャップが浮き彫りになっている。本研究の目的は、低リソース環境でオフラインで動作するように設計されたMpox用のAI駆動オンデバイススクリーニングツールの開発と評価である。
論文参考訳（メタデータ） (2024-09-05T11:18:34Z)
Parkinson's Disease Detection through Vocal Biomarkers and Advanced Machine Learning Algorithms [0.0]
本研究は早期疾患予測の手段として, PD患者の声質変化の可能性について検討した。 XGBoost、LightGBM、Baging、AdaBoost、Support Vector Machineなど、さまざまな高度な機械学習アルゴリズムを活用する。 LightGBMは、100%の感度と94.43%の特異性を示し、他の機械学習アルゴリズムの精度とAUCスコアを上回った。
論文参考訳（メタデータ） (2023-11-09T15:21:10Z)
Entropy-based machine learning model for diagnosis and monitoring of Parkinson's Disease in smart IoT environment [0.0]
Fuzzy Entropy は rs-EEG を用いたPD の診断とモニタリングにおいて最善を尽くした。機能が少ないため,最大分類精度(ARKF)は99.9%であった。低いパフォーマンスのスマートMLセンサはIoT環境で使用することができ、PDに対する人間のレジリエンスを高めることができる。
論文参考訳（メタデータ） (2023-08-28T08:20:57Z)
Ultrafast-and-Ultralight ConvNet-Based Intelligent Monitoring System for Diagnosing Early-Stage Mpox Anytime and Anywhere [4.393125661498784]
Fast-MpoxNetはわずか0.27Mパラメータで、CPU上の68フレーム毎秒(FPS)で入力画像を処理できる。 Mpox-AISM V2は、迅速に正確にmpoxを診断でき、公共のリアルタイムmpox診断サービスを提供するために、様々なシナリオに容易に展開できる。
論文参考訳（メタデータ） (2023-08-25T17:06:30Z)
Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文参考訳（メタデータ） (2023-03-23T18:50:18Z)
COVID-19 Detection from Chest X-ray Images using Imprinted Weights Approach [67.05664774727208]
胸部X線撮影は、COVID-19の代替スクリーニング方法です。コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
論文参考訳（メタデータ） (2021-05-04T19:01:40Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
論文参考訳（メタデータ） (2021-02-10T15:10:37Z)
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)
Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia [46.521323145636906]
胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
論文参考訳（メタデータ） (2020-05-06T09:56:51Z)
COVID-CAPS: A Capsule Network-based Framework for Identification of COVID-19 cases from X-ray Images [34.93885932923011]
コロナウイルス(COVID-19)は、21世紀の2世紀末に、突然、そして間違いなく世界を変えた。新型コロナウイルスの早期診断により、医療専門家や政府機関は移行の連鎖を破り、流行曲線をフラットにすることができる。主に畳み込みニューラルネットワーク(CNN)をベースとしたディープニューラルネットワーク(DNN)ベースの診断ソリューション開発への関心が高まっている。本稿では、小さなデータセットを処理可能な、Capsule Networks(COVID-CAPS)に基づく代替モデリングフレームワークを提案する。
論文参考訳（メタデータ） (2020-04-06T14:20:47Z)

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。