論文の概要: Review of Interpretable Machine Learning Models for Disease Prognosis

• arxiv url: http://arxiv.org/abs/2405.11672v4
• Date: Sun, 8 Sep 2024 18:14:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-11 02:31:55.494575
• Title: Review of Interpretable Machine Learning Models for Disease Prognosis
• Title（参考訳）: 疾患予後の解釈可能な機械学習モデルの検討
• Authors: Jinzhi Shen, Ke Ma,
• Abstract要約: 新型コロナウイルス(COVID-19)のパンデミックを受けて、解釈可能な機械学習が大きな注目を集めている。 本稿では,呼吸器疾患の予後を予測するための解釈可能な機械学習の応用について概説する。
• 参考スコア（独自算出の注目度）: 6.758348517014495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In response to the COVID-19 pandemic, the integration of interpretable machine learning techniques has garnered significant attention, offering transparent and understandable insights crucial for informed clinical decision making. This literature review delves into the applications of interpretable machine learning in predicting the prognosis of respiratory diseases, particularly focusing on COVID-19 and its implications for future research and clinical practice. We reviewed various machine learning models that are not only capable of incorporating existing clinical domain knowledge but also have the learning capability to explore new information from the data. These models and experiences not only aid in managing the current crisis but also hold promise for addressing future disease outbreaks. By harnessing interpretable machine learning, healthcare systems can enhance their preparedness and response capabilities, thereby improving patient outcomes and mitigating the impact of respiratory diseases in the years to come.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックを受けて、解釈可能な機械学習技術の統合は大きな注目を集め、情報的な臨床的意思決定に不可欠な透明で理解可能な洞察を提供してきた。 本論文は,呼吸器疾患の予後予測における解釈可能な機械学習の応用,特に新型コロナウイルスとその今後の研究・臨床実践への意義を考察する。 我々は、既存の臨床領域の知識を組み込むだけでなく、データから新たな情報を探索する学習能力を持つ各種機械学習モデルについてレビューした。 これらのモデルと経験は、現在の危機の管理を助けるだけでなく、将来の病気の流行に対応するための約束も持つ。 解釈可能な機械学習を活用することで、医療システムは、その準備と応答能力を高め、患者の成果を改善し、今後数年間の呼吸器疾患の影響を軽減することができる。

関連論文リスト

• Machine Learning Applications in Medical Prognostics: A Comprehensive Review [0.0]
  機械学習(ML)は、高度なアルゴリズムと臨床データを統合することで、医学的診断に革命をもたらした。 RFモデルは高次元データの処理において堅牢な性能を示す。 CNNは、がん検出において異常な精度を示している。 LSTMネットワークは、時間的データの解析に優れ、臨床劣化の正確な予測を提供する。
  論文  参考訳（メタデータ） (2024-08-05T09:41:34Z)
• Knowledge-Informed Machine Learning for Cancer Diagnosis and Prognosis: A review [2.2268038840298714]
  バイオメディカルな知識とデータの融合を取り入れた最先端の機械学習研究について概説する。 機械学習パイプラインにおける知識表現の多様な形態と知識統合の現在の戦略について概説する。
  論文  参考訳（メタデータ） (2024-01-12T07:01:36Z)
• Privacy-preserving machine learning for healthcare: open challenges and future perspectives [72.43506759789861]
  医療におけるプライバシー保護機械学習(PPML)に関する最近の文献を概観する。 プライバシ保護トレーニングと推論・アズ・ア・サービスに重点を置いています。 このレビューの目的は、医療におけるプライベートかつ効率的なMLモデルの開発をガイドすることである。
  論文  参考訳（メタデータ） (2023-03-27T19:20:51Z)
• AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in Healthcare with Automated Machine Learning [72.2614468437919]
  本稿では,診断・予後モデルを開発するための機械学習フレームワークAutoPrognosis 2.0を提案する。 我々は,英国バイオバンクを用いた糖尿病の予後リスクスコアを構築するための図解的アプリケーションを提供する。 我々のリスクスコアはWebベースの意思決定支援ツールとして実装されており、世界中の患者や臨床医がアクセスできる。
  論文  参考訳（メタデータ） (2022-10-21T16:31:46Z)
• Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
  機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。 アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。 マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T09:35:38Z)
• 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)
• Causal Machine Learning for Healthcare and Precision Medicine [16.846051073534966]
  因果機械学習(CML)は、医療で人気が高まっている。 臨床意思決定支援システムの様々な側面に因果推論を組み込む方法について検討する。
  論文  参考訳（メタデータ） (2022-05-23T15:45:21Z)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)
• Machine Learning Applications in Diagnosis, Treatment and Prognosis of Lung Cancer [22.84388553607303]
  本稿では, 肺癌の診断と治療のさまざまな側面を強化する機械学習によるアプローチの概要について述べる。 肺癌における機械学習の今後の応用に向けた課題と機会を強調した。
  論文  参考訳（メタデータ） (2022-03-05T17:43:57Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)

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。