論文の概要: A Novel Hybrid Ordinal Learning Model with Health Care Application

• arxiv url: http://arxiv.org/abs/2312.09540v1
• Date: Fri, 15 Dec 2023 05:22:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-18 17:00:49.635037
• Title: A Novel Hybrid Ordinal Learning Model with Health Care Application
• Title（参考訳）: 医療応用による新しいハイブリッド順序学習モデル
• Authors: Lujia Wang, Hairong Wang, Yi Su, Fleming Lure, Jing Li
• Abstract要約: 正規学習(英: Ordinal Learning, OL)は、医療分野において幅広い用途を持つ機械学習モデルの一種である。 本稿では,コストや可用性の制約により,正確なラベル付きサンプルがトレーニングセットに制限されている状況に対処することを目的とする。 そこで本研究では,サンプルを正確なラベルと間隔ラベルの両方と統合し,頑健なOLモデルをトレーニングするためのHOL(Hybrid Ordinal Learner)を提案する。
• 参考スコア（独自算出の注目度）: 19.069321594573434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ordinal learning (OL) is a type of machine learning models with broad utility in health care applications such as diagnosis of different grades of a disease (e.g., mild, modest, severe) and prediction of the speed of disease progression (e.g., very fast, fast, moderate, slow). This paper aims to tackle a situation when precisely labeled samples are limited in the training set due to cost or availability constraints, whereas there could be an abundance of samples with imprecise labels. We focus on imprecise labels that are intervals, i.e., one can know that a sample belongs to an interval of labels but cannot know which unique label it has. This situation is quite common in health care datasets due to limitations of the diagnostic instrument, sparse clinical visits, or/and patient dropout. Limited research has been done to develop OL models with imprecise/interval labels. We propose a new Hybrid Ordinal Learner (HOL) to integrate samples with both precise and interval labels to train a robust OL model. We also develop a tractable and efficient optimization algorithm to solve the HOL formulation. We compare HOL with several recently developed OL methods on four benchmarking datasets, which demonstrate the superior performance of HOL. Finally, we apply HOL to a real-world dataset for predicting the speed of progressing to Alzheimer's Disease (AD) for individuals with Mild Cognitive Impairment (MCI) based on a combination of multi-modality neuroimaging and demographic/clinical datasets. HOL achieves high accuracy in the prediction and outperforms existing methods. The capability of accurately predicting the speed of progression to AD for each individual with MCI has the potential for helping facilitate more individually-optimized interventional strategies.
• Abstract（参考訳）: 順序学習(ordinal learning、ol)は、病気の異なるグレード(軽度、軽度、重度など)の診断や、疾患進行の速さの予測(例えば、非常に高速、高速、中等度、遅い)など、医療応用において広く有用な機械学習モデルである。 本研究の目的は,ラベル付きサンプルがコストや可用性の制約によりトレーニングセットに制限されている場合,不正確なラベル付きサンプルが多数存在する場合である。 例えば、サンプルがラベルの間隔に属するが、どのユニークなラベルを持っているかはわからないということを知ることができる。 この状況は、診断器の制限、臨床訪問の不足、患者の退院などにより、医療データセットでは極めて一般的である。 inrecise/intervalラベルを用いたolモデルの開発には限定的な研究がなされている。 そこで本研究では,サンプルを正確なラベルと間隔ラベルの両方と統合し,頑健なOLモデルをトレーニングするためのHOL(Hybrid Ordinal Learner)を提案する。 また,HOLの定式化を解くため,トラクタブルで効率的な最適化アルゴリズムを開発した。 HOLと最近開発された4つのベンチマークデータセットのOL法を比較し,HOLの優れた性能を示す。 最後に、HOLを現実のデータセットに適用し、マルチモーダル・ニューロイメージングと人口統計/臨床データセットの組み合わせに基づいて、軽度認知障害(MCI)患者に対するアルツハイマー病(AD)の進行速度を予測する。 HOLは予測精度が高く、既存の手法より優れている。 MCIによる個人ごとのADの進行速度を正確に予測する能力は、より個別に最適化された介入戦略を促進する可能性がある。

関連論文リスト

• MyriadAL: Active Few Shot Learning for Histopathology [10.652626309100889]
  我々は、Myriad Active Learning (MAL)という、アクティブな数個のショットラーニングフレームワークを導入する。 MALには、コントラスト学習エンコーダ、擬似ラベル生成、ループ内の新しいクエリサンプル選択が含まれている。 2つの公的な病理組織学データセットの実験により、MALは以前の研究に比べてテスト精度、マクロF1スコア、ラベル効率が優れていることが示された。
  論文  参考訳（メタデータ） (2023-10-24T20:08:15Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• Multi-Modal Hypergraph Diffusion Network with Dual Prior for Alzheimer Classification [4.179845212740817]
  アルツハイマー病診断のための新しい半教師付きハイパーグラフ学習フレームワークを提案する。 本フレームワークは,マルチモーダル画像と非画像データ間の高次関係を実現する。 我々は、我々の実験を通して、我々のフレームワークがアルツハイマー病診断の現在の技術より優れていることを実証した。
  論文  参考訳（メタデータ） (2022-04-04T10:31:42Z)
• Active learning for medical code assignment [55.99831806138029]
  臨床領域における多ラベルテキスト分類におけるアクティブラーニング(AL)の有効性を示す。 MIMIC-IIIデータセットにICD-9コードを自動的に割り当てるために、よく知られたALメソッドのセットを適用します。 その結果、有益なインスタンスの選択は、大幅に減少したトレーニングセットで満足のいく分類を提供する。
  論文  参考訳（メタデータ） (2021-04-12T18:11:17Z)
• GKD: Semi-supervised Graph Knowledge Distillation for Graph-Independent Inference [41.348451615460796]
  本稿では,知識蒸留に基づく新しい半教師付き手法GKDを提案する。 自閉症スペクトラム障害の診断のための2つの公開データセットとアルツハイマー病に関する実験を行う。 これらの実験によると、GKDは従来のグラフベースのディープラーニング手法よりも精度、AUC、マクロF1で優れている。
  論文  参考訳（メタデータ） (2021-04-08T08:23:37Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• HOLMES: Health OnLine Model Ensemble Serving for Deep Learning Models in Intensive Care Units [31.368873375366213]
  HOLMESは医療アプリケーションのためのオンラインモデルアンサンブルである。 HOLMESは精度/レイテンシのトレードオフを効率的にナビゲートし、アンサンブルを構成し、モデルアンサンブルパイプラインを提供することができることを示す。 HOLMESは, 小児心ICUデータにおけるリスク予測タスクにおいて, 64ベッドシミュレーションにおいて95%以上の予測精度とサブ秒レイテンシで検証した。
  論文  参考訳（メタデータ） (2020-08-10T12:38:46Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。