論文の概要: Risk Factor Identification In Osteoporosis Using Unsupervised Machine Learning Techniques

• arxiv url: http://arxiv.org/abs/2405.15882v1
• Date: Fri, 24 May 2024 18:53:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-29 02:20:04.347138
• Title: Risk Factor Identification In Osteoporosis Using Unsupervised Machine Learning Techniques
• Title（参考訳）: 教師なし機械学習技術を用いた骨粗しょう症の危険因子同定
• Authors: Mikayla Calitis,
• Abstract要約: 電子カルテに新たなクラスタリング法を適用し,骨粗しょう症に関連するリスク因子の信頼性について検討した。 本研究は,クラスタリング,特徴選択,主機能識別という3つのコンポーネントのいずれかに適応可能な反復的クラスタリングフレームワークを含む,新たなClustering Iterations Framework(CLIF)の利用を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, the reliability of identified risk factors associated with osteoporosis is investigated using a new clustering-based method on electronic medical records. This study proposes utilizing a new CLustering Iterations Framework (CLIF) that includes an iterative clustering framework that can adapt any of the following three components: clustering, feature selection, and principal feature identification. The study proposes using Wasserstein distance to identify principal features, borrowing concepts from the optimal transport theory. The study also suggests using a combination of ANOVA and ablation tests to select influential features from a data set. Some risk factors presented in existing works are endorsed by our identified significant clusters, while the reliability of some other risk factors is weakened.
• Abstract（参考訳）: 本研究では, 電子カルテに新たなクラスタリング法を適用し, 骨粗しょう症に関連する危険因子の信頼性について検討した。 本研究は,クラスタリング,特徴選択,主機能識別という3つのコンポーネントのいずれかに適応可能な反復的クラスタリングフレームワークを含む,新たなClustering Iterations Framework(CLIF)の利用を提案する。 この研究は、ワッサーシュタイン距離を用いて主特徴を同定し、最適輸送理論から概念を借りることを提案する。 この研究では、ANOVAとアブレーションテストを組み合わせて、データセットから影響力のある特徴を選択することも提案されている。 既存の作業で提示されるいくつかのリスク要因は、特定された重要なクラスタによって支持され、他のリスク要因の信頼性は弱まっている。

関連論文リスト

• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• EAG-RS: A Novel Explainability-guided ROI-Selection Framework for ASD Diagnosis via Inter-regional Relation Learning [11.344446341236267]
  本稿では,脳領域間の非線形高次機能的関連を識別する新しい利害選択領域(EAG-RS)を提案する。 このフレームワークは, (i) ランダムなシードベースネットワークマスキングによる非線形関係を推定するための地域間関係学習, (ii) 機能的接続間の高次関係を探索するための接続関連度スコア推定, (iii) 非線形高次FCベースの診断非形式ROI選択とASDの識別のための学習の3段階を含む。
  論文  参考訳（メタデータ） (2023-10-05T09:14:54Z)
• Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
  本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。 提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-05-20T03:12:23Z)
• Confidence-Driven Deep Learning Framework for Early Detection of Knee Osteoarthritis [8.193689534916988]
  膝関節症 (KOA) は筋骨格障害の1つで、運動量や生活の質に深刻な影響を及ぼす。 我々は,KL-0およびKL-2ステージの識別に焦点をあてた,早期のKOA検出のための信頼性駆動型ディープラーニングフレームワークを提案する。 実験により,提案フレームワークは専門家の放射線学者に匹敵する,競争精度,感度,特異性を達成できることが示された。
  論文  参考訳（メタデータ） (2023-03-23T11:57:50Z)
• Mutual Information Assisted Ensemble Recommender System for Identifying Critical Risk Factors in Healthcare Prognosis [0.10262304700896199]
  本研究は, 疾患管理システムの一部として, 疾患の最も重要な危険因子を特定し, 推奨する特徴推薦器を提案する。 多様な疾患の4つのベンチマークデータセットで実験が行われた。 提案するリコメンデーターは、疾患を最も識別する能力を有する危険因子を同定し、推薦することができる。
  論文  参考訳（メタデータ） (2022-09-28T04:54:37Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Risk factor identification for incident heart failure using neural network distillation and variable selection [24.366241122862473]
  リスク関連同定のための確立されたディープラーニングモデルによって学習された隠れたパターンを解く2つの方法を提案する。 788,880例(8.3%の心不全)のコホートが検討された。 モデル蒸留では, 心不全に関連する598例と379例を, 人口レベルでそれぞれ同定した。 これらの重要な集団レベルの知見に加えて, 臨床における心不全の出現を考慮し, 個人レベルでの解釈へのアプローチを開発した。
  論文  参考訳（メタデータ） (2021-02-17T10:20:38Z)
• Covid-19 risk factors: Statistical learning from German healthcare claims data [0.0]
  我々は、AOK Bayernの請求データを用いた振り返りコホート研究に基づいて、Covid-19の重度、重度、致命的なコースに対する事前のリスク要因を分析した。 方法として,候補因子の事前グループ化と事前選択を回避し,医療分類システムからの詳細な階層情報を利用する。
  論文  参考訳（メタデータ） (2021-02-04T15:48:21Z)
• Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
  オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。 本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。 相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
  論文  参考訳（メタデータ） (2020-10-31T03:20:31Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。