論文の概要: The Impact of Ontology on the Prediction of Cardiovascular Disease Compared to Machine Learning Algorithms
- arxiv url: http://arxiv.org/abs/2405.20414v1
- Date: Thu, 30 May 2024 18:40:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-03 18:24:43.372670
- Title: The Impact of Ontology on the Prediction of Cardiovascular Disease Compared to Machine Learning Algorithms
- Title（参考訳）: オントロジーが心血管疾患の予測に及ぼす影響 : 機械学習アルゴリズムとの比較
- Authors: Hakim El Massari, Noreddine Gherabi, Sajida Mhammedi, Hamza Ghandi, Mohamed Bahaj, Muhammad Raza Naqvi,
- Abstract要約: 本稿では,最も顕著な機械学習アルゴリズムと,オントロジーに基づく機械学習分類を比較し,レビューする。
これらの結果は, F-Measure, Accuracy, Recall, Precision などの混乱行列から生成された評価値を用いて評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cardiovascular disease is one of the chronic diseases that is on the rise. The complications occur when cardiovascular disease is not discovered early and correctly diagnosed at the right time. Various machine learning approaches, including ontology-based Machine Learning techniques, have lately played an essential role in medical science by building an automated system that can identify heart illness. This paper compares and reviews the most prominent machine learning algorithms, as well as ontology-based Machine Learning classification. Random Forest, Logistic regression, Decision Tree, Naive Bayes, k-Nearest Neighbours, Artificial Neural Network, and Support Vector Machine were among the classification methods explored. The dataset used consists of 70000 instances and can be downloaded from the Kaggle website. The findings are assessed using performance measures generated from the confusion matrix, such as F-Measure, Accuracy, Recall, and Precision. The results showed that the ontology outperformed all the machine learning algorithms.
- Abstract（参考訳）: 心血管疾患は慢性疾患の1つである。
合併症は、心血管疾患が早期に発見されず、適切なタイミングで正しく診断されない場合に発生する。
オントロジーに基づく機械学習技術を含む、さまざまな機械学習アプローチが、心臓病を識別する自動化システムを構築することで、医学において重要な役割を担っている。
本稿では、オントロジーに基づく機械学習分類と同様に、最も顕著な機械学習アルゴリズムを比較し、レビューする。
ランダムフォレスト,ロジスティック回帰,決定木,ナイーブベイズ,k-Nearest Neighbours,人工ニューラルネットワーク,サポートベクトルマシンなどが探索された。
使用されるデータセットは70000のインスタンスで構成され、KaggleのWebサイトからダウンロードできる。
これらの結果は, F-Measure, Accuracy, Recall, Precision などの混乱行列から生成された評価値を用いて評価した。
その結果、オントロジーはすべての機械学習アルゴリズムより優れていた。
関連論文リスト
- Classification and Prediction of Heart Diseases using Machine Learning Algorithms [0.0]
K-Nearest Neighbor法は、患者が心臓病を患っているかどうかを判断する最も効果的な機械学習アルゴリズムであることが示されている。
追加の機械学習アルゴリズムの心臓疾患予測への応用について、さらなる研究を行うことは有益である。
論文 参考訳（メタデータ） (2024-09-05T16:52:20Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - Recent advancement in Disease Diagnostic using machine learning:
Systematic survey of decades, comparisons, and challenges [0.0]
バイオメディカル領域におけるパターン認識と機械学習は、疾患の検出と診断の精度を高めることを約束する。
本稿では,肝炎,糖尿病,肝疾患,デング熱,心臓病などの疾患を検出するための機械学習アルゴリズムについて検討する。
論文 参考訳（メタデータ） (2023-07-31T16:35:35Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - Machine Learning-Based Classification Algorithms for the Prediction of
Coronary Heart Diseases [0.0]
この研究は、いくつかの機械学習に基づく分類モデルを作成し、テストした。
その結果、ロジスティック回帰は、元のデータセット上で最高のパフォーマンススコアを生み出した。
結論として,順調に処理され,標準化されたデータセット上のLRが,他のアルゴリズムよりも精度の高い冠状心疾患を予測できることが示唆された。
論文 参考訳（メタデータ） (2021-12-02T18:52:56Z) - Explainable predictions of different machine learning algorithms used to
predict Early Stage diabetes [0.0]
糖尿病はいくつかの機械学習アルゴリズムで容易に診断できる。
本稿では、ランダムフォレスト、決定木、人工ニューラルネットワーク、K Nearest Neighbor、Support Vector Machine、XGBoostといった機械学習アルゴリズムの比較分析を行った。
実験結果によると、ランダムフォレストアルゴリズムは、この特定のデータセットで99%の精度で他のアルゴリズムよりも優れています。
論文 参考訳（メタデータ） (2021-11-18T20:29:03Z) - MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。
MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。
我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
論文 参考訳（メタデータ） (2021-11-04T22:38:18Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - RA-GCN: Graph Convolutional Network for Disease Prediction Problems with
Imbalanced Data [47.00510780034136]
クラス不均衡は疾患予測の分野でよく知られた問題である。
本稿では,グラフベースの分類器の性能を高めるために,Re-weighted Adversarial Graph Convolutional Network (RA-GCN)を提案する。
本研究では,ra-gcnの合成および3種類の医療用データセットに対する優越性を示す。
論文 参考訳（メタデータ） (2021-02-27T14:06:27Z) - Approaching Bio Cellular Classification for Malaria Infected Cells Using
Machine Learning and then Deep Learning to compare & analyze K-Nearest
Neighbours and Deep CNNs [0.0]
マラリアは致命的な病気で、毎年何十万人もの人の命がかかっています。
本稿では, 細胞画像中のマラリアの存在を分類する文脈において, 異なる機械学習手法について検討する。
論文 参考訳（メタデータ） (2020-05-22T23:02:36Z) - Automatic Gesture Recognition in Robot-assisted Surgery with
Reinforcement Learning and Tree Search [63.07088785532908]
共同手術におけるジェスチャー分割と分類のための強化学習と木探索に基づく枠組みを提案する。
我々のフレームワークは,JIGSAWSデータセットのサチューリングタスクにおいて,精度,編集スコア,F1スコアの点で,既存の手法よりも一貫して優れています。
論文 参考訳（メタデータ） (2020-02-20T13:12:38Z)
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。