論文の概要: The Relevance Feature and Vector Machine for health applications
- arxiv url: http://arxiv.org/abs/2402.07079v1
- Date: Sun, 11 Feb 2024 01:21:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 17:44:35.297882
- Title: The Relevance Feature and Vector Machine for health applications
- Title（参考訳）: 健康応用のための関連機能とベクターマシン
- Authors: Albert Belenguer-Llorens, Carlos Sevilla-Salcedo, Emilio
Parrado-Hern\'andez and Vanessa G\'omez-Verdejo
- Abstract要約: 本稿では,臨床研究における脂肪データ問題に対処する新しいモデルを提案する。
モデル機能は、太いデータ問題のあるいくつかの医療データセットの最先端モデルに対してテストされる。
- 参考スコア（独自算出の注目度）: 0.11538034264098687
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper presents the Relevance Feature and Vector Machine (RFVM), a novel
model that addresses the challenges of the fat-data problem when dealing with
clinical prospective studies. The fat-data problem refers to the limitations of
Machine Learning (ML) algorithms when working with databases in which the
number of features is much larger than the number of samples (a common scenario
in certain medical fields). To overcome such limitations, the RFVM incorporates
different characteristics: (1) A Bayesian formulation which enables the model
to infer its parameters without overfitting thanks to the Bayesian model
averaging. (2) A joint optimisation that overcomes the limitations arising from
the fat-data characteristic by simultaneously including the variables that
define the primal space (features) and those that define the dual space
(observations). (3) An integrated prunning that removes the irrelevant features
and samples during the training iterative optimization. Also, this last point
turns out crucial when performing medical prospective studies, enabling
researchers to exclude unnecessary medical tests, reducing costs and
inconvenience for patients, and identifying the critical patients/subjects that
characterize the disorder and, subsequently, optimize the patient recruitment
process that leads to a balanced cohort. The model capabilities are tested
against state-of-the-art models in several medical datasets with fat-data
problems. These experimental works show that RFVM is capable of achieving
competitive classification accuracies while providing the most compact subset
of data (in both terms of features and samples). Moreover, the selected
features (medical tests) seem to be aligned with the existing medical
literature.
- Abstract（参考訳）: 本稿では, 臨床研究における脂肪データ問題の課題に対処する新しいモデルである, 適合性とベクターマシン(rfvm)について述べる。
ファットデータ問題は、データベースを扱う場合の機械学習(ML)アルゴリズムの限界を指し、特徴の数はサンプルの数よりもはるかに大きい(特定の医療分野における一般的なシナリオ)。
このような制限を克服するために、RFVMは、(1)ベイズモデル平均化により過度に収まることなくモデルがパラメータを推測できるベイズ的定式化(英語版)という異なる特徴を取り入れている。
2) 一次空間(特徴)を定義する変数と二重空間(観測)を定義する変数を同時に含むことにより、脂肪データ特性から生じる制限を克服する共同最適化。
(3) 学習反復最適化において無関係な特徴やサンプルを除去する統合型プルーニング。
また、この最後のポイントは、医学的な前向きな研究を行う際に重要であり、研究者たちは不要な医療検査を除外し、コストと患者の不便さを減らし、障害の特徴を特徴づける重要な患者や対象を特定し、その後、バランスの取れたコホートにつながる患者の採用プロセスを最適化する。
モデル能力は、ファットデータ問題のあるいくつかの医療データセットの最先端モデルに対してテストされる。
これらの実験により、RFVMは(特徴とサンプルの両方の観点から)最もコンパクトなデータサブセットを提供しながら、競争力のある分類精度を達成することができることが示された。
また、選択された特徴(医療検査)は既存の医学文献と一致しているようである。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Question-Answering Model for Schizophrenia Symptoms and Their Impact on
Daily Life using Mental Health Forums Data [0.0]
メンタルヘルスのフォーラムは統合失調症と異なる精神疾患に苦しむ人々のためのフォーラムである。
データセットを前処理してQAデータセットに変換する方法が示されている。
BiBERT、DistilBERT、RoBERTa、BioBERTモデルはF1-Score、Exact Match、Precision、Recallを通じて微調整され評価された。
論文 参考訳（メタデータ） (2023-09-30T17:50:50Z) - Automated Medical Coding on MIMIC-III and MIMIC-IV: A Critical Review
and Replicability Study [60.56194508762205]
我々は、最先端の医療自動化機械学習モデルを再現し、比較し、分析する。
その結果, 弱い構成, サンプル化の不十分さ, 評価の不十分さなどにより, いくつかのモデルの性能が低下していることが判明した。
再生モデルを用いたMIMIC-IVデータセットの総合評価を行った。
論文 参考訳（メタデータ） (2023-04-21T11:54:44Z) - A Multimodal Data-driven Framework for Anxiety Screening [15.002401707506941]
我々は,MMD-ASというデータ駆動型不安スクリーニングフレームワークを提案し,スマートフォンによる200人以上の船員の健康データ収集実験を行った。
モデルの性能向上のために,提案フレームワークの特徴抽出,次元縮小,特徴選択,不安推定を共同で訓練した。
論文 参考訳（メタデータ） (2023-03-16T02:25:05Z) - Bayesian Models of Functional Connectomics and Behavior [0.0]
共同表現学習と予測のための完全ベイズ的定式化を提案する。
自閉症スペクトラム障害患者に対するr-fMRIの有用性について検討した。
論文 参考訳（メタデータ） (2023-01-15T20:42:31Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Active Selection of Classification Features [0.0]
人口統計などの補助的データは、最も有益なMRIスキャンを持つ個人を含む小さなサンプルを選択するのに役立ちます。
本研究では,2つの実用的手法を提案し,その性能を3つの実世界のベンチマークデータセットで評価する。
論文 参考訳（メタデータ） (2021-02-26T18:19:08Z) - FIT: a Fast and Accurate Framework for Solving Medical Inquiring and
Diagnosing Tasks [10.687562550605739]
自己診断(Self-diagnosis)は、患者をクエリーし、疾患の予測を行うエージェントを介して、低コストでアクセス可能な医療を提供する。
我々は、次に収集するデータを決定するために情報理論の報酬を使用するFITと呼ばれる競合フレームワークを提案する。
シミュレーションした2つのデータセットから、FITは大規模な検索空間問題に効果的に対処でき、既存のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-12-02T10:12:49Z) - 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) - Predicting Clinical Diagnosis from Patients Electronic Health Records
Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。
本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。
約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文 参考訳（メタデータ） (2020-07-15T09:22:55Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。