論文の概要: Breast Cancer classification by adaptive weighted average ensemble of previously trained models

• arxiv url: http://arxiv.org/abs/2311.13206v1
• Date: Wed, 22 Nov 2023 07:33:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 15:57:07.240761
• Title: Breast Cancer classification by adaptive weighted average ensemble of previously trained models
• Title（参考訳）: 前訓練モデルの適応重み付け平均アンサンブルによる乳癌分類
• Authors: Mosab S. M. Farea, zhe chen
• Abstract要約: 乳がんは毎年何百万人もの人に感染する重篤な疾患であり、症例数は増加している。 研究者は、CADシステムにおける病理組織像の使用など、乳がんを検出するための多くの技術を開発した。 本研究では、適応的な平均アンサンブルを用いて、既に完全に訓練されたモデルを組み合わせる手法を提案する。
• 参考スコア（独自算出の注目度）: 3.9693969407364427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast cancer is a serious disease that inflicts millions of people each year, and the number of cases is increasing. Early detection is the best way to reduce the impact of the disease. Researchers have developed many techniques to detect breast cancer, including the use of histopathology images in CAD systems. This research proposes a technique that combine already fully trained model using adaptive average ensemble, this is different from the literature which uses average ensemble before training and the average ensemble is trained simultaneously. Our approach is different because it used adaptive average ensemble after training which has increased the performance of evaluation metrics. It averages the outputs of every trained model, and every model will have weight according to its accuracy. The accuracy in the adaptive weighted ensemble model has achieved 98% where the accuracy has increased by 1 percent which is better than the best participating model in the ensemble which was 97%. Also, it decreased the numbers of false positive and false negative and enhanced the performance metrics.
• Abstract（参考訳）: 乳癌は毎年何百万人もの人に感染する重篤な疾患であり、症例数は増加している。 早期発見は、病気の影響を減らす最善の方法である。 研究者は、CADシステムにおける病理像の使用など、乳がんを検出するための多くの技術を開発した。 本研究は,適応平均アンサンブルを用いて,すでに十分に訓練済みのモデルを結合する手法を提案する。これは,訓練前に平均アンサンブルを使用し,平均アンサンブルを同時に訓練する文学とは異なる。 評価指標の性能を向上する適応的な平均アンサンブルを訓練後に用いたため,本手法は異なる。 トレーニングされたモデルの出力を平均し、すべてのモデルはその正確さに応じて重みを持つ。 アダプティブ重み付けアンサンブルモデルの精度は98%に達し、精度は1%向上し、97%のアンサンブルの最良参加者モデルよりも優れている。 また、偽陽性と偽陰性の数を減らし、性能指標を強化した。

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)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Predictive Modeling for Breast Cancer Classification in the Context of Bangladeshi Patients: A Supervised Machine Learning Approach with Explainable AI [0.0]
  5種類の機械学習手法の分類精度,精度,リコール,F-1スコアを評価し,比較した。 XGBoostは97%という最高のモデル精度を達成した。
  論文  参考訳（メタデータ） (2024-04-06T17:23:21Z)
• Breast Cancer Classification Using Gradient Boosting Algorithms Focusing on Reducing the False Negative and SHAP for Explainability [0.6906005491572401]
  本研究は,乳がん予測のためのブースティングに基づく各種機械学習アルゴリズムの性能評価に焦点をあてる。 本研究の目的は,AdaBoost,XGBoost,CatBoost,LightGBMといった最先端の促進アルゴリズムを用いて乳癌の予測と診断を行うことである。
  論文  参考訳（メタデータ） (2024-03-14T16:35:43Z)
• A Hybrid Transfer Learning Assisted Decision Support System for Accurate Prediction of Alzheimer Disease [0.0]
  アルツハイマー病は高齢者で最も一般的な長期疾患である。 ディープニューラルモデルは一般的な機械学習よりも正確で効果的である。
  論文  参考訳（メタデータ） (2023-10-13T06:48:38Z)
• An Intelligent Decision Support Ensemble Voting Model for Coronary Artery Disease Prediction in Smart Healthcare Monitoring Environments [0.0]
  冠動脈疾患 (CAD) は、世界で最も一般的な心臓疾患の1つである。 機械学習(ML)アルゴリズムに基づくe-diagnosisツールは、スマートヘルスケア監視システムで使用することができる。
  論文  参考訳（メタデータ） (2022-10-25T21:09:34Z)
• Machine Learning Approaches to Predict Breast Cancer: Bangladesh Perspective [0.0]
  本研究は,乳がんをクラスで最大精度で予測できる最良のアルゴリズムの発見に焦点をあてる。 このモデルの実装後、この研究はRandom ForestとXGBoostで94%のモデル精度を達成した。
  論文  参考訳（メタデータ） (2022-06-30T01:44:53Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
  オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する 乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。 より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
  論文  参考訳（メタデータ） (2022-01-09T04:35:55Z)
• Ensembling Off-the-shelf Models for GAN Training [55.34705213104182]
  事前学習されたコンピュータビジョンモデルは、識別器のアンサンブルで使用する場合、性能を著しく向上させることができる。 本研究では,事前学習したモデル埋め込みにおける実検体と偽検体間の線形分離性を検証し,効率的な選択機構を提案する。 本手法は, 限られたデータと大規模設定の両方において, GAN トレーニングを改善することができる。
  論文  参考訳（メタデータ） (2021-12-16T18:59:50Z)

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。