論文の概要: Decoding Cognitive Health Using Machine Learning: A Comprehensive Evaluation for Diagnosis of Significant Memory Concern

• arxiv url: http://arxiv.org/abs/2405.07070v1
• Date: Sat, 11 May 2024 18:48:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-14 18:32:45.680248
• Title: Decoding Cognitive Health Using Machine Learning: A Comprehensive Evaluation for Diagnosis of Significant Memory Concern
• Title（参考訳）: 機械学習を用いた認知健康の復号:重要な記憶障害の診断のための包括的評価
• Authors: M. Sajid, Rahul Sharma, Iman Beheshti, M. Tanveer,
• Abstract要約: 重要な記憶障害(SMC)のタイムリーな識別は、積極的認知健康管理に不可欠である。 本研究は,機械学習モデルを総合的に評価した,最先端のレビューである。 RNNでは、性能指標として、ディープランダムベクトル汎関数リンク(dRVFL)とアンサンブルdRVFL(edRVFL)が最適分類器として出現する。
• 参考スコア（独自算出の注目度）: 3.5574575466006895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The timely identification of significant memory concern (SMC) is crucial for proactive cognitive health management, especially in an aging population. Detecting SMC early enables timely intervention and personalized care, potentially slowing cognitive disorder progression. This study presents a state-of-the-art review followed by a comprehensive evaluation of machine learning models within the randomized neural networks (RNNs) and hyperplane-based classifiers (HbCs) family to investigate SMC diagnosis thoroughly. Utilizing the Alzheimer's Disease Neuroimaging Initiative 2 (ADNI2) dataset, 111 individuals with SMC and 111 healthy older adults are analyzed based on T1W magnetic resonance imaging (MRI) scans, extracting rich features. This analysis is based on baseline structural MRI (sMRI) scans, extracting rich features from gray matter (GM), white matter (WM), Jacobian determinant (JD), and cortical thickness (CT) measurements. In RNNs, deep random vector functional link (dRVFL) and ensemble dRVFL (edRVFL) emerge as the best classifiers in terms of performance metrics in the identification of SMC. In HbCs, Kernelized pinball general twin support vector machine (Pin-GTSVM-K) excels in CT and WM features, whereas Linear Pin-GTSVM (Pin-GTSVM-L) and Linear intuitionistic fuzzy TSVM (IFTSVM-L) performs well in the JD and GM features sets, respectively. This comprehensive evaluation emphasizes the critical role of feature selection and model choice in attaining an effective classifier for SMC diagnosis. The inclusion of statistical analyses further reinforces the credibility of the results, affirming the rigor of this analysis. The performance measures exhibit the suitability of this framework in aiding researchers with the automated and accurate assessment of SMC. The source codes of the algorithms and datasets used in this study are available at https://github.com/mtanveer1/SMC.
• Abstract（参考訳）: 重要な記憶障害(SMC)のタイムリーな識別は、特に高齢化において、積極的認知健康管理に不可欠である。 SMCの早期検出は、タイムリーな介入とパーソナライズされたケアを可能にし、認知障害の進行を遅らせる可能性がある。 本研究では, ランダム化ニューラルネットワーク (RNN) と超平面型分類器 (HbCs) ファミリーにおける機械学習モデルの総合的な評価を行い, SMCの診断を徹底的に検討した。 The Alzheimer's Disease Neuroimaging Initiative 2 (ADNI2) データセットを用いて、111人のSMCと111人の健常成人をT1WMRI(MRI)スキャンを用いて分析し、豊富な特徴を抽出する。 この分析は、ベースライン構造MRI(sMRI)スキャンに基づいて、グレーマター(GM)、ホワイトマター(WM)、ヤコビ行列式(JD)、皮質厚さ(CT)の測定からリッチな特徴を抽出する。 RNNでは、深い乱数ベクトル汎関数リンク(dRVFL)とアンサンブルdRVFL(edRVFL)が、SMCの識別における性能指標として最高の分類器として出現する。 HbCでは、Kernelized pinball General twin support vector machine (Pin-GTSVM-K) はCTとWMの機能に優れ、Linear Pin-GTSVM (Pin-GTSVM-L) とLinear Intuitionistic fuzzy TSVM (IFTSVM-L) はJDとGMの機能セットでそれぞれよく機能する。 この包括的評価は,SMC診断に有効な分類器を実現する上で,特徴選択とモデル選択の重要な役割を強調している。 統計的分析の含意は、結果の信頼性をさらに強化し、この分析の厳格さを裏付ける。 評価手法は,SMCの自動的かつ正確な評価を行う研究者を支援する上で,この枠組みの適合性を示すものである。 この研究で使用されたアルゴリズムとデータセットのソースコードはhttps://github.com/mtanveer1/SMCで公開されている。

関連論文リスト

• Advancements In Heart Disease Prediction: A Machine Learning Approach For Early Detection And Risk Assessment [0.0]
  本稿では,臨床データを用いた心疾患のリスク予測における機械学習モデルの役割,関連性,効率性を理解し,評価し,分析する。 Support Vector Machine (SVM) は91.51%の精度を示し、予測能力の観点から評価されたモデル間にその優位性を確認している。
  論文  参考訳（メタデータ） (2024-10-16T22:32:19Z)
• Texture Feature Analysis for Classification of Early-Stage Prostate Cancer in mpMRI [0.0]
  本研究では,一階統計的特徴,ハラリックテクスチャ的特徴,および局所二分法パターンによる分類への寄与を分析した。 我々は、分類結果を決定する少数の特徴を特定し、説明可能なAIアプローチの開発に役立つかもしれない。
  論文  参考訳（メタデータ） (2024-06-21T18:12:58Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Brain Tumor Segmentation Based on Deep Learning, Attention Mechanisms, and Energy-Based Uncertainty Prediction [0.0]
  脳腫瘍は、死亡率80%を超える最も致命的ながんの1つである。 医学的分析では、脳腫瘍の手動アノテーションとセグメンテーションは複雑な作業である。 本稿では,データ前処理中に実装された関心領域検出アルゴリズムを提案する。 ソフトアテンションを持つ完全畳み込みオートエンコーダは、異なる脳MRIをセグメント化する。
  論文  参考訳（メタデータ） (2023-12-31T20:42:52Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• Behavior Score-Embedded Brain Encoder Network for Improved Classification of Alzheimer Disease Using Resting State fMRI [36.40726715739385]
  本稿では、日常的に管理される心理検査情報を、被験者の静止状態fMRIデータの符号化手順に統合する行動スコア埋め込みエンコーダネットワーク(BSEN)を提案する。 BSENは、MMSE(MiniMental State Examination)とCDR(Citical Dementia Rating)の行動スコアを併用した3次元畳み込み自己エンコーダ構造に基づく。 提案するBSENを用いた分類フレームワークは, 総合的認識精度59.44%(AD, MCI, Healthy Control)を達成し, 健康管理(HC)と健康管理(HC)の最も差別的な領域を抽出した。
  論文  参考訳（メタデータ） (2022-11-04T09:58:45Z)
• GATE: Graph CCA for Temporal SElf-supervised Learning for Label-efficient fMRI Analysis [25.4835612758922]
  人口グラフに基づく疾患解析では、グラフ畳み込みニューラルネットワーク(GCN)が顕著に成功している。 本稿では,GCNを用いた新しい,理論駆動型自己教師学習フレームワーク,すなわち,fMRI解析GATEにおける時間的自己教師学習のためのグラフCCAを提案する。 本手法は2つの独立したfMRIデータセットを用いて検討し,自閉症と認知症診断における優れた性能を示す。
  論文  参考訳（メタデータ） (2022-03-17T02:23:30Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Accuracy of MRI Classification Algorithms in a Tertiary Memory Center Clinical Routine Cohort [40.24757332810004]
  自動体積測定ソフトウェア(AVS)は近年,神経放射線学者に広く普及している。 機械学習技術は診断を支援するための有望なアプローチとして登場した。
  論文  参考訳（メタデータ） (2020-03-19T08:44:46Z)

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。