論文の概要: Multimodal Recommender Systems in the Prediction of Disease Comorbidity
- arxiv url: http://arxiv.org/abs/2309.08613v1
- Date: Wed, 30 Aug 2023 01:40:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-24 04:14:05.386598
- Title: Multimodal Recommender Systems in the Prediction of Disease Comorbidity
- Title（参考訳）: 病原性予測におけるマルチモーダルレコメンダシステム
- Authors: Aashish Cheruvu
- Abstract要約: 深層学習に基づくレコメンデータシステムは、主観的なコードインタラクションのモデル化に利用できることを示す。
削減された "トップ50" ICD-9 コードデータセットを使用した NCF モデルの性能は低かった。
DHFモデルの結果は、NCFモデルよりも優れたパフォーマンスを反映している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While deep-learning based recommender systems utilizing collaborative
filtering have been commonly used for recommendation in other domains, their
application in the medical domain have been limited. In addition to modeling
user-item interactions, we show that deep-learning based recommender systems
can be used to model subject-disease code interactions. Two novel applications
of deep learning-based recommender systems using Neural Collaborative Filtering
(NCF) and Deep Hybrid Filtering (DHF) were utilized for disease diagnosis based
on known past patient comorbidities. Two datasets, one incorporating all
subject-disease code pairs present in the MIMIC-III database, and the other
incorporating the top 50 most commonly occurring diseases, were used for
prediction. Accuracy and Hit Ratio@10 were utilized as metrics to estimate
model performance. The performance of the NCF model making use of the reduced
"top 50" ICD-9 code dataset was found to be lower (accuracy of ~80% and hit
ratio@10 of 35%) as compared to the performance of the NCF model trained on all
ICD-9 codes (accuracy of ~90% and hit ratio@10 of ~80%). Reasons for the
superior performance of the sparser dataset with all ICD codes can be mainly
attributed to the higher volume of data and the robustness of deep-learning
based recommender systems with modeling sparse data. Additionally, results from
the DHF models reflect better performance than the NCF models, with a better
accuracy of 94.4% and hit ratio@10 of 85.36%, reflecting the importance of the
incorporation of clinical note information. Additionally, compared to
literature reports utilizing primarily natural language processing-based
predictions for the task of ICD-9 code co-occurrence, the novel deep
learning-based recommender systems approach performed better. Overall, the deep
learning-based recommender systems have shown promise in predicting disease
comorbidity.
- Abstract（参考訳）: 協調フィルタリングを利用したディープラーニングに基づくレコメンデーションシステムは、他のドメインでのレコメンデーションに一般的に用いられているが、医療領域での応用は限られている。
ユーザ・イテムインタラクションのモデル化に加えて,ディープラーニングに基づくレコメンデータシステムを用いて,課題・課題のコードインタラクションをモデル化できることを示す。
ニューラル・コラボレーティブ・フィルタリング (ncf) とディープ・ハイブリッド・フィルタリング (dhf) を用いた深層学習型レコメンダシステムの2つの新しい応用法を, 既知の患者同義性に基づく疾患診断に応用した。
mimic-iiiデータベースに存在するすべてのサブジェクト-ダイザス符号対と最も一般的に発生する病気のトップ50を含む2つのデータセットが予測に使用された。
精度とヒット率@10はモデル性能を推定するための指標として利用された。
削減された "トップ50" ICD-9 コードデータセットを使用した NCF モデルの性能は、すべての ICD-9 コードでトレーニングされた NCF モデルのパフォーマンス(精度 ~90% と ヒット率 @10 の ~80% )に比べて低い (~80% と ヒット比 @10 の 35% )。
すべてのICDコードによるスペーサーデータセットの性能向上は、主にデータ量の増加と、スパースデータをモデル化したディープラーニングベースのレコメンデータシステムの堅牢性に起因する。
さらに、DHFモデルの結果は、NCFモデルよりも優れたパフォーマンス、94.4%の精度、85.36%のヒット率@10を反映しており、臨床ノート情報の取り込みの重要性を反映している。
さらに,ICD-9コード共起作業において,主に自然言語処理に基づく予測を応用した文献報告と比較して,新たなディープラーニングベースのレコメンダシステムアプローチが向上した。
全体として、ディープラーニングベースのレコメンデータシステムは、病気の共生を予測することを約束している。
関連論文リスト
- Hybrid Deep Convolutional Neural Networks Combined with Autoencoders And Augmented Data To Predict The Look-Up Table 2006 [2.082445711353476]
本研究では、自己エンコーダとデータ拡張技術により強化されたハイブリッドディープ畳み込みニューラルネットワーク(DCNN)モデルの開発について検討する。
オリジナルの入力機能を3つの異なるオートエンコーダ構成で拡張することにより、モデルの予測能力は大幅に改善された。
論文 参考訳（メタデータ） (2024-08-26T20:45:07Z) - Advancing Diagnostic Precision: Leveraging Machine Learning Techniques
for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest
X-Ray Images [0.0]
新型コロナウイルス、結核(TB)、肺炎などの肺疾患は、依然として深刻な世界的な健康上の問題となっている。
救急医療と科学者は、早期の新型コロナウイルス(COVID-19)の診断に信頼性と正確なアプローチを作成するために、集中的に取り組んでいる。
論文 参考訳（メタデータ） (2023-10-09T18:38:49Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - Detection of Epileptic Seizures on EEG Signals Using ANFIS Classifier,
Autoencoders and Fuzzy Entropies [9.861415775909663]
脳波信号はてんかん発作の検出に広く用いられている。
本稿ではファジィ理論と深層学習技術を用いた新しい診断手法を提案する。
論文 参考訳（メタデータ） (2021-09-06T11:02:25Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Transfer Learning with Ensembles of Deep Neural Networks for Skin Cancer
Classification in Imbalanced Data Sets [0.6802401545890961]
医療画像から皮膚癌を正確に分類するための機械学習技術が報告されている。
多くのテクニックは、訓練済みの畳み込みニューラルネットワーク(CNN)に基づいており、限られたトレーニングデータに基づいてモデルをトレーニングすることができる。
本稿では,複数のcnnモデルが事前学習され,一部は手元のデータのみにトレーニングされ,患者情報(メタデータ)はメタリーナーを用いて結合される,新しいアンサンブルベースのcnnアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-03-22T06:04:45Z) - 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) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Diagnosis Prevalence vs. Efficacy in Machine-learning Based Diagnostic
Decision Support [9.323255985639499]
電子カルテ特性に基づくICD-9-CM符号の予測を行う。
疾患発生率の低下に伴いF1スコアが低下することが観察された。
統計的分析では, 疾患の有病率と有効性との間には適度な正の相関が認められた。
論文 参考訳（メタデータ） (2020-06-24T13:52:04Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z) - 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。