論文の概要: Explainable machine learning-based prediction model for diabetic
nephropathy
- arxiv url: http://arxiv.org/abs/2309.16730v1
- Date: Wed, 27 Sep 2023 08:46:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-02 17:07:18.817007
- Title: Explainable machine learning-based prediction model for diabetic
nephropathy
- Title（参考訳）: 説明可能な機械学習に基づく糖尿病性腎症予測モデル
- Authors: Jing-Mei Yin, Yang Li, Jun-Tang Xue, Guo-Wei Zong, Zhong-Ze Fang, and
Lang Zou
- Abstract要約: 本研究の目的は, 糖尿病性腎症(DN)に対する血清代謝物の影響を解析し, 機械学習を用いてDNの有病率を予測することである。
このデータセットは、2018年4月から2019年4月まで、大連医科大学第二附属病院(SAHDMU)で548人の患者からなる。
- 参考スコア（独自算出の注目度）: 1.874014847588016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The aim of this study is to analyze the effect of serum metabolites on
diabetic nephropathy (DN) and predict the prevalence of DN through a machine
learning approach. The dataset consists of 548 patients from April 2018 to
April 2019 in Second Affiliated Hospital of Dalian Medical University (SAHDMU).
We select the optimal 38 features through a Least absolute shrinkage and
selection operator (LASSO) regression model and a 10-fold cross-validation. We
compare four machine learning algorithms, including eXtreme Gradient Boosting
(XGB), random forest, decision tree and logistic regression, by AUC-ROC curves,
decision curves, calibration curves. We quantify feature importance and
interaction effects in the optimal predictive model by Shapley Additive
exPlanations (SHAP) method. The XGB model has the best performance to screen
for DN with the highest AUC value of 0.966. The XGB model also gains more
clinical net benefits than others and the fitting degree is better. In
addition, there are significant interactions between serum metabolites and
duration of diabetes. We develop a predictive model by XGB algorithm to screen
for DN. C2, C5DC, Tyr, Ser, Met, C24, C4DC, and Cys have great contribution in
the model, and can possibly be biomarkers for DN.
- Abstract（参考訳）: 本研究の目的は, 糖尿病性腎症 (DN) に対する血清代謝物の影響を解析し, 機械学習を用いてDNの有病率を予測することである。
データセットは、2018年4月から2019年4月まで、大連医科大学第二附属病院(SAHDMU)で548人の患者で構成されている。
最小絶対収縮・選択演算子(LASSO)回帰モデルと10倍のクロスバリデーションにより最適38個の特徴を選定する。
我々は,eXtreme Gradient Boosting (XGB),ランダムフォレスト,決定木,ロジスティック回帰の4つの機械学習アルゴリズムを,AUC-ROC曲線,決定曲線,キャリブレーション曲線で比較した。
shapley additive explanations (shap) 法による最適予測モデルにおける特徴量と相互作用効果を定量化する。
xgbモデルは、最大auc値0.966のdnで画面表示に最適な性能を持つ。
XGBモデルは、他のモデルよりも臨床効果が高く、適合度も良い。
さらに、血清代謝物と糖尿病の持続時間の間には大きな相互作用がある。
我々は,DN をスクリーニングする XGB アルゴリズムによる予測モデルを開発した。
C2、C5DC、Tyr、Ser、Met、C24、C4DC、Cysはこのモデルに多大な貢献をしている。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Comparative Performance Analysis of Transformer-Based Pre-Trained Models for Detecting Keratoconus Disease [0.0]
本研究は、変性眼疾患である角膜症(keratoconus)の診断のために、訓練済みの8つのCNNを比較した。
MobileNetV2は角膜と正常な症例を誤分類の少ない場合に最も正確なモデルであった。
論文 参考訳（メタデータ） (2024-08-16T20:15:24Z) - Comparative Analysis of LSTM Neural Networks and Traditional Machine Learning Models for Predicting Diabetes Patient Readmission [0.0]
本研究はDiabetes 130-US Hospitalsデータセットを用いて,各種機械学習モデルによる寛解患者の分析と予測を行う。
LightGBMは、XGBoostが首位だったのに対して、従来のモデルとしてはベストだった。
本研究は,予測医療モデリングにおいて,モデル選択,検証,解釈可能性が重要なステップであることを示す。
論文 参考訳（メタデータ） (2024-06-28T15:06:22Z) - Contrast-agent-induced deterministic component of CT-density in the
abdominal aorta during routine angiography: proof of concept study [0.0]
血管内のコントラスト剤の動的挙動を記述するモデルを構築した。
特定の研究の診断値の増大とCTデータ処理ツールの改善に有用である。
論文 参考訳（メタデータ） (2023-10-31T07:59:57Z) - 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) - An Efficient End-to-End Deep Neural Network for Interstitial Lung
Disease Recognition and Classification [0.5424799109837065]
本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。
提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。
128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
論文 参考訳（メタデータ） (2022-04-21T06:36:10Z) - 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) - 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) - Efficient and Visualizable Convolutional Neural Networks for COVID-19
Classification Using Chest CT [0.0]
新型コロナウイルスは2020年12月4日現在、世界中で6500万人以上が感染している。
ディープラーニングは有望な診断技術として登場した。
本稿では,40種類の畳み込みニューラルネットワークアーキテクチャを新型コロナウイルスの診断のために評価・比較する。
論文 参考訳（メタデータ） (2020-12-22T07:09:48Z) - 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) - 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。