論文の概要: GENIE-NF-AI: Identifying Neurofibromatosis Tumors using Liquid Neural
Network (LTC) trained on AACR GENIE Datasets
- arxiv url: http://arxiv.org/abs/2304.13429v1
- Date: Wed, 26 Apr 2023 10:28:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-27 14:40:30.561501
- Title: GENIE-NF-AI: Identifying Neurofibromatosis Tumors using Liquid Neural
Network (LTC) trained on AACR GENIE Datasets
- Title(参考訳): genIE-NF-AI:AACR GENIEデータセットをトレーニングしたLiquid Neural Network (LTC) を用いた神経線維腫症腫瘍の同定
- Authors: Michael Bidollahkhani, Ferhat Atasoy, Elnaz Abedini, Ali Davar, Omid
Hamza, F{\i}rat Sefao\u{g}lu, Amin Jafari, Muhammed Nadir Yal\c{c}{\i}n,
Hamdan Abdellatef
- Abstract要約: 神経線維腫症を診断するための解釈可能なAIアプローチを提案する。
提案手法は99.86%の精度で既存モデルより優れていた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In recent years, the field of medicine has been increasingly adopting
artificial intelligence (AI) technologies to provide faster and more accurate
disease detection, prediction, and assessment. In this study, we propose an
interpretable AI approach to diagnose patients with neurofibromatosis using
blood tests and pathogenic variables. We evaluated the proposed method using a
dataset from the AACR GENIE project and compared its performance with modern
approaches. Our proposed approach outperformed existing models with 99.86%
accuracy. We also conducted NF1 and interpretable AI tests to validate our
approach. Our work provides an explainable approach model using logistic
regression and explanatory stimulus as well as a black-box model. The
explainable models help to explain the predictions of black-box models while
the glass-box models provide information about the best-fit features. Overall,
our study presents an interpretable AI approach for diagnosing patients with
neurofibromatosis and demonstrates the potential of AI in the medical field.
- Abstract(参考訳): 近年、医療分野は、より高速で正確な疾患の検出、予測、評価を提供するために、人工知能(AI)技術の採用が増えている。
本研究では血液検査と病原性変数を用いて神経線維腫症を診断するための解釈可能なAIアプローチを提案する。
AACR GENIEプロジェクトのデータセットを用いて提案手法の評価を行い,その性能を現代の手法と比較した。
提案手法は,99.86%の精度で既存モデルを上回った。
また、NF1および解釈可能なAIテストを実施し、アプローチを検証する。
本研究は,ブラックボックスモデルと同様にロジスティック回帰と説明的刺激を用いた説明可能なアプローチモデルを提供する。
説明可能なモデルはブラックボックスモデルの予測を説明するのに役立ち、ガラスボックスモデルは最適な機能に関する情報を提供する。
本研究は,神経線維腫症患者に対する解釈可能なAIアプローチを示し,医療分野におけるAIの可能性を示す。
関連論文リスト
- Enabling Collaborative Clinical Diagnosis of Infectious Keratitis by
Integrating Expert Knowledge and Interpretable Data-driven Intelligence [28.144658552047975]
感染性角膜炎(IK)の診断における知識誘導診断モデル(KGDM)の性能,解釈可能性,臨床的有用性について検討した。
AIベースのバイオマーカーの診断確率比(DOR)は3.011から35.233の範囲で有効である。
コラボレーションの参加者は、人間とAIの両方を上回るパフォーマンスを達成した。
論文 参考訳(メタデータ) (2024-01-14T02:10:54Z) - Explainable AI in Diagnosing and Anticipating Leukemia Using Transfer
Learning Method [0.0]
本研究は,小児および10代に流行する急性リンパ芽球性白血病(ALL)に焦点をあてる。
ディープラーニング技術を活用したコンピュータ支援診断(CAD)モデルを用いた自動検出手法を提案する。
提案手法は98.38%の精度を達成し、他の試験モデルよりも優れていた。
論文 参考訳(メタデータ) (2023-12-01T10:37:02Z) - Deployment of a Robust and Explainable Mortality Prediction Model: The
COVID-19 Pandemic and Beyond [0.59374762912328]
本研究では、新型コロナウイルスのパンデミック以降の死亡率予測におけるAIモデルの有効性、説明可能性、堅牢性について検討した。
論文 参考訳(メタデータ) (2023-11-28T18:15:53Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - 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) - Towards Trust of Explainable AI in Thyroid Nodule Diagnosis [0.0]
我々は,甲状腺結節診断アプリケーションにおけるブラックボックスAIモデルの予測を説明するために,最先端のeXplainable AI(XAI)手法を適用した。
我々は,検出された結節が存在しない場合を説明するために,新しい統計ベースのXAI手法,すなわちカーネル密度推定と密度マップを提案する。
論文 参考訳(メタデータ) (2023-03-08T17:18:13Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - 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) - 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) - 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) - 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)
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。