論文の概要: Detecting Throat Cancer from Speech Signals using Machine Learning: A Scoping Literature Review

• arxiv url: http://arxiv.org/abs/2307.09230v2
• Date: Wed, 24 Jul 2024 16:15:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-25 19:59:51.011959
• Title: Detecting Throat Cancer from Speech Signals using Machine Learning: A Scoping Literature Review
• Title（参考訳）: 機械学習を用いた音声信号のスロート癌検出:スコーピング文献レビュー
• Authors: Mary Paterson, James Moor, Luisa Cutillo,
• Abstract要約: 人工知能(AI)と機械学習(ML)は、患者の発話から喉がんを検出する可能性がある。 喉がんの症例は世界中で増加している。 音声から喉がんを検出するためのAIとMLの使用について、包括的なレビューは行われていない。
• 参考スコア（独自算出の注目度）: 0.30723404270319693
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Introduction: Cases of throat cancer are rising worldwide. With survival decreasing significantly at later stages, early detection is vital. Artificial intelligence (AI) and machine learning (ML) have the potential to detect throat cancer from patient speech, facilitating earlier diagnosis and reducing the burden on overstretched healthcare systems. However, no comprehensive review has explored the use of AI and ML for detecting throat cancer from speech. This review aims to fill this gap by evaluating how these technologies perform and identifying issues that need to be addressed in future research. Materials and Methods: We conducted a scoping literature review across three databases: Scopus,Web of Science, and PubMed. We included articles that classified speech using machine learning and specified the inclusion of throat cancer patients in their data. Articles were categorized based on whether they performed binary or multi-class classification. Results: We found 27 articles fitting our inclusion criteria, 12 performing binary classification, 13 performing multi-class classification, and two that do both binary and multiclass classification. The most common classification method used was neural networks, and the most frequently extracted feature was mel-spectrograms. We also documented pre-processing methods and classifier performance. We compared each article against the TRIPOD-AI checklist, which showed a significant lack of open science, with only one article sharing code and only three using open-access data. Conclusion: Open-source code is essential for external validation and further development in this field. Our review indicates that no single method or specific feature consistently outperforms others in detecting throat cancer from speech. Future research should focus on standardizing methodologies and improving the reproducibility of results.
• Abstract（参考訳）: 紹介:喉がんの症例は世界中で増加している。 後段では生存率が著しく低下するので、早期発見は不可欠である。 人工知能(AI)と機械学習(ML)は、患者の音声から喉がんを検出する可能性があり、早期診断を容易にし、オーバーストレッチされた医療システムの負担を軽減する。 しかし、音声から喉がんを検出するためのAIとMLの使用について包括的なレビューは行われていない。 このレビューは、これらの技術がどのように機能するかを評価し、今後の研究で解決すべき課題を特定することで、このギャップを埋めることを目的としている。 資料と方法: スコパス, Web of Science, PubMed の3つのデータベースを対象としたスコーピング文献レビューを行った。 対象は,機械学習を用いて音声を分類し,喉がん患者をデータに含ませた記事を含む。 記事は二進分類か多進分類かに基づいて分類された。 結果: 包含基準に適合する27項目, バイナリ分類12項目, 多クラス分類13項目, 多クラス分類2項目が得られた。 最も一般的な分類法はニューラルネットワークであり、最も頻繁に抽出される特徴はメル・スペクトログラムである。 また,前処理手法や分類器の性能も文書化した。 各項目をTRIPOD-AIチェックリストと比較したところ,オープンサイエンスの欠如を示し,コードを共有する記事は1つ,オープンアクセスデータを使用する記事は3つに過ぎなかった。 結論: オープンソースコードは、この分野で外部の検証とさらなる開発に不可欠です。 本研究は, 咽喉頭癌検出において, 一つの方法, 特定の特徴が, 常に他者より優れていることを示唆するものである。 今後の研究は、方法論の標準化と結果の再現性の向上に焦点を当てるべきである。

関連論文リスト

• Functional Classification of Spiking Signal Data Using Artificial Intelligence Techniques: A Review [8.320333033425475]
  本稿では、スパイク分類におけるAIの重要性と利用について論じ、ニューラルアクティビティノイズの認識に焦点を当てる。 第一の目的は、将来の研究のためのスパイク分類の視点を提供し、関連する方法論と問題に関する包括的な理解を提供することである。
  論文  参考訳（メタデータ） (2024-09-26T03:50:55Z)
• A survey of recent methods for addressing AI fairness and bias in biomedicine [48.46929081146017]
  人工知能システムは、人種や性別に基づくような社会的不平等を永続するか、偏見を示すことができる。 バイオメディカル自然言語処理 (NLP) やコンピュータビジョン (CV) の分野での様々な脱バイアス法に関する最近の論文を調査した。 我々は,2018年1月から2023年12月にかけて,複数のキーワードの組み合わせを用いて,PubMed,ACMデジタルライブラリ,IEEE Xploreに関する文献検索を行った。 バイオメディシンに応用可能な一般領域からの他の方法について検討し, バイアスに対処し, 公平性を向上する方法について検討した。
  論文  参考訳（メタデータ） (2024-02-13T06:38:46Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Metastatic Breast Cancer Prognostication Through Multimodal Integration of Dimensionality Reduction Algorithms and Classification Algorithms [0.0]
  機械学習(ML)を用いた転移性癌の検出に関する研究 71.14%の最高精度は、PCA、遺伝的アルゴリズム、k-アネレスト近傍アルゴリズムからなるMLパイプラインによって作られた。
  論文  参考訳（メタデータ） (2023-09-19T05:12:02Z)
• Machine Learning Approach for Cancer Entities Association and Classification [0.0]
  この研究は、非自明な2つのNLP、自然言語処理機能、エンティティ認識、テキスト分類を用いて、生物医学文献から知識を発見する。 名前付きエンティティ認識(NER)は、ユーザフレンドリーなインターフェースと組み込み辞書のサポートにより、構造化されていないテキストから、がんに関連する事前定義されたエンティティを認識し、抽出する。 テキスト分類は、テキストに対する洞察を探求し、データの分類、クエリ、記事のスクリーニングを簡単にするのに役立つ。
  論文  参考訳（メタデータ） (2023-05-30T07:36:12Z)
• Multi-class versus One-class classifier in spontaneous speech analysis oriented to Alzheimer Disease diagnosis [58.720142291102135]
  本研究の目的は,音声信号から抽出した新しいバイオマーカーを用いて自動解析を行うことにより,ADの早期診断と重症度評価の改善に寄与することである。 外付け器とフラクタル次元の機能に関する情報を使用することで、システムの性能が向上する。
  論文  参考訳（メタデータ） (2022-03-21T09:57:20Z)
• Oral cancer detection and interpretation: Deep multiple instance learning versus conventional deep single instance learning [2.2612425542955292]
  口腔癌(OC)診断の現在の医療基準は、口腔から採取した組織標本の組織学的検査である。 このアプローチを臨床ルーチンに導入するには、専門家の欠如や労働集約的な作業といった課題が伴う。 私たちは、患者1人あたりのラベルだけで癌を確実に検出できるAIベースの方法に興味を持っています。
  論文  参考訳（メタデータ） (2022-02-03T15:04:26Z)
• CBLUE: A Chinese Biomedical Language Understanding Evaluation Benchmark [51.38557174322772]
  中国初のバイオメディカル言語理解評価ベンチマークを提示する。 名前付きエンティティ認識、情報抽出、臨床診断正規化、単文/文対分類を含む自然言語理解タスクのコレクションである。 本研究は,現在の11種類の中国モデルによる実験結果について報告し,その実験結果から,現在最先端のニューラルモデルがヒトの天井よりもはるかに悪い性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-06-15T12:25:30Z)
• Text Mining to Identify and Extract Novel Disease Treatments From Unstructured Datasets [56.38623317907416]
  Google Cloudを使って、NPRラジオ番組のポッドキャストのエピソードを書き起こします。 次に、テキストを体系的に前処理するためのパイプラインを構築します。 我々のモデルは、Omeprazoleが心臓熱傷の治療に役立てることに成功しました。
  論文  参考訳（メタデータ） (2020-10-22T19:52:49Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。