論文の概要: A Machine Learning Approach for Predicting Deterioration in Alzheimer's
Disease
- arxiv url: http://arxiv.org/abs/2306.10334v1
- Date: Sat, 17 Jun 2023 12:23:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 22:54:02.793063
- Title: A Machine Learning Approach for Predicting Deterioration in Alzheimer's
Disease
- Title(参考訳): アルツハイマー病の悪化予測のための機械学習アプローチ
- Authors: Henry Musto, Daniel Stamate, Ida Pu, Daniel Stahl
- Abstract要約: 本稿では,機械学習を用いたアルツハイマー病の悪化について検討する。
勾配強化を含む6つの機械学習モデルを構築し評価した。
認知正常群のうちどれが劣化したかを予測するCARTを用いて,良好な予測能力を示すことができた。
軽度認知障害群では,Elastic Netによる劣化予測能力は良好であった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper explores deterioration in Alzheimers Disease using Machine
Learning. Subjects were split into two datasets based on baseline diagnosis
(Cognitively Normal, Mild Cognitive Impairment), with outcome of deterioration
at final visit (a binomial essentially yes/no categorisation) using data from
the Alzheimers Disease Neuroimaging Initiative (demographics, genetics, CSF,
imaging, and neuropsychological testing etc). Six machine learning models,
including gradient boosting, were built, and evaluated on these datasets using
a nested crossvalidation procedure, with the best performing models being put
through repeated nested cross-validation at 100 iterations. We were able to
demonstrate good predictive ability using CART predicting which of those in the
cognitively normal group deteriorated and received a worse diagnosis (AUC =
0.88). For the mild cognitive impairment group, we were able to achieve good
predictive ability for deterioration with Elastic Net (AUC = 0.76).
- Abstract(参考訳): 本稿では,機械学習を用いたアルツハイマー病の悪化について検討する。
被験者は、アルツハイマー病神経画像イニシアチブ(デマトグラフィー、遺伝学、CSF、イメージング、神経心理学検査など)のデータを用いて、最終訪問時の劣化(本質的にはイエス/ノー分類)の結果として、ベースライン診断に基づいて2つのデータセットに分割された。
勾配ブースティングを含む6つの機械学習モデルが構築され、ネストしたクロスバリデーション手順を使用してこれらのデータセット上で評価された。
認知正常群のうちどれが悪化し,より悪い診断(AUC = 0.88)を受けたかをCARTで予測し,良好な予測能力を示すことができた。
軽度認知障害群では弾性ネット(auc = 0.76)を用いて良好な劣化予測能力を得ることができた。
関連論文リスト
- Intelligent Diagnosis of Alzheimer's Disease Based on Machine Learning [24.467566885575998]
この研究は、アルツハイマー病神経画像イニシアチブ(ADNI)データセットに基づいている。
アルツハイマー病(AD)の早期発見と進行の解明を目的とする。
論文 参考訳(メタデータ) (2024-02-13T15:43:30Z) - 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) - Identifying Alzheimer Disease Dementia Levels Using Machine Learning
Methods [0.0]
RF, SVM, CNNアルゴリズムを用いて認知症の4段階を分類する手法を提案する。
以上の結果から,浸水特性を持つSVMの精度は96.25%であり,他の分類法よりも高いことがわかった。
論文 参考訳(メタデータ) (2023-11-02T17:44:28Z) - A reproducible 3D convolutional neural network with dual attention
module (3D-DAM) for Alzheimer's disease classification [0.0]
本稿では,アルツハイマー病分類のための2つの注意モジュールを備えた3次元畳み込みニューラルネットワークを提案する。
このモデルをADNIデータベースでトレーニングし、2つの独立したデータセットで本手法の一般化性を検証する。
論文 参考訳(メタデータ) (2023-10-19T08:33:23Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - How Does Pruning Impact Long-Tailed Multi-Label Medical Image
Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。
この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文 参考訳(メタデータ) (2023-08-17T20:40:30Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳(メタデータ) (2023-06-02T01:46:31Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Multimodal Inductive Transfer Learning for Detection of Alzheimer's
Dementia and its Severity [39.57255380551913]
本稿では,音響的,認知的,言語的特徴を活用してマルチモーダルアンサンブルシステムを構築する新しいアーキテクチャを提案する。
時相特性を持つ特殊な人工ニューラルネットワークを使用して、アルツハイマー認知症(AD)とその重症度を検出する。
本システムでは,AD分類では最先端試験精度,精度,リコール,F1スコアが83.3%,MMSEスコア評価では4.60の最先端試験根平均二乗誤差(RMSE)が得られた。
論文 参考訳(メタデータ) (2020-08-30T21:47:26Z) - Comparing Natural Language Processing Techniques for Alzheimer's
Dementia Prediction in Spontaneous Speech [1.2805268849262246]
アルツハイマー認知症(英語: Alzheimer's Dementia、AD)は、認知機能に影響を与える不治の、不安定で進行性の神経変性疾患である。
自発音声タスクによるアルツハイマー認知は、ADの分類と予測のために、音響的に前処理とバランスの取れたデータセットを提供する。
論文 参考訳(メタデータ) (2020-06-12T17:51:16Z)
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。