Fugu-MT 論文翻訳(概要): COVID-19 Probability Prediction Using Machine Learning: An Infectious Approach

論文の概要: COVID-19 Probability Prediction Using Machine Learning: An Infectious Approach

arxiv url: http://arxiv.org/abs/2408.12841v1
Date: Fri, 23 Aug 2024 05:15:24 GMT
ステータス: 処理完了
システム内更新日: 2024-08-26 15:59:33.672097
Title: COVID-19 Probability Prediction Using Machine Learning: An Infectious Approach
Title（参考訳）: 機械学習を用いた新型コロナウイルスの確率予測 : 感染的アプローチ
Authors: Mohsen Asghari Ilani, Saba Moftakhar Tehran, Ashkan Kavei, Arian Radmehr,
Abstract要約: 本研究は、新型コロナウイルス感染確率を予測するための高度な機械学習(ML)技術の適用について検討する。我々はXGBoost, LGBM, AdaBoost, Logistic Regression, Decision Tree, RandomForest, CatBoost, KNN, Deep Neural Networks (DNN) などのMLモデルの有効性について厳密な調査を行った。以上の結果から,Deep Neural Networks (DNN) が最高性能モデルとして登場し,精度が向上し,リコール指標が得られた。
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: The ongoing COVID-19 pandemic continues to pose significant challenges to global public health, despite the widespread availability of vaccines. Early detection of the disease remains paramount in curbing its transmission and mitigating its impact on public health systems. In response, this study delves into the application of advanced machine learning (ML) techniques for predicting COVID-19 infection probability. We conducted a rigorous investigation into the efficacy of various ML models, including XGBoost, LGBM, AdaBoost, Logistic Regression, Decision Tree, RandomForest, CatBoost, KNN, and Deep Neural Networks (DNN). Leveraging a dataset comprising 4000 samples, with 3200 allocated for training and 800 for testing, our experiment offers comprehensive insights into the performance of these models in COVID-19 prediction. Our findings reveal that Deep Neural Networks (DNN) emerge as the top-performing model, exhibiting superior accuracy and recall metrics. With an impressive accuracy rate of 89%, DNN demonstrates remarkable potential in early COVID-19 detection. This underscores the efficacy of deep learning approaches in leveraging complex data patterns to identify COVID-19 infections accurately. This study underscores the critical role of machine learning, particularly deep learning methodologies, in augmenting early detection efforts amidst the ongoing pandemic. The success of DNN in accurately predicting COVID-19 infection probability highlights the importance of continued research and development in leveraging advanced technologies to combat infectious diseases.
Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは、ワクチンの普及にもかかわらず、世界的な公衆衛生にとって大きな課題となっている。この病気の早期発見は、感染を抑制し、公衆衛生システムへの影響を緩和する上で、依然として最重要である。本研究は、新型コロナウイルス感染確率を予測するための高度な機械学習(ML)技術の適用について検討した。我々はXGBoost, LGBM, AdaBoost, Logistic Regression, Decision Tree, RandomForest, CatBoost, KNN, Deep Neural Networks (DNN) などのMLモデルの有効性について厳密な調査を行った。 4000のサンプルからなるデータセットを活用し、トレーニングに3200、テストに800を割り当てた。以上の結果から,Deep Neural Networks (DNN) が最高性能モデルとして登場し,精度が向上し,リコール指標が得られた。精度は89%で、DNNは新型コロナウイルスの早期検出において顕著な可能性を誇示している。これは、複雑なデータパターンを活用して新型コロナウイルスの感染を正確に識別する、ディープラーニングアプローチの有効性を裏付けるものだ。本研究は,現在進行中のパンデミックの早期発見活動の強化において,機械学習,特に深層学習方法論が重要な役割を担っていることを明らかにする。新型コロナウイルスの感染確率を正確に予測するDNNの成功は、先進的な技術を活用して感染症に対処する研究と開発の重要性を浮き彫りにしている。

関連論文リスト

Symptom-based Machine Learning Models for the Early Detection of COVID-19: A Narrative Review [0.0]
機械学習モデルは、患者の報告した症状、臨床データ、医療画像などを取り入れて、大規模なデータセットを分析することができる。本稿では、その性能と限界を含む、COVID-19を予測するための症状のみの機械学習モデルの概要について概説する。また、画像ベースモデルと比較して、症状ベースのモデルの性能についても検討する。
論文参考訳（メタデータ） (2023-12-08T01:41:42Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
Towards Automated COVID-19 Presence and Severity Classification [2.3890320616869425]
提示されたアプローチは、これらの状況において医療専門家を支援するための最先端技術に従う。提示されたモデルは、新型コロナウイルスの重症度を予測するために79.0%のAUCを、感染の有無を分類するために83.7%のAUCを達成している。
論文参考訳（メタデータ） (2023-05-15T14:07:22Z)
Comparative Analysis of State-of-the-Art Deep Learning Models for Detecting COVID-19 Lung Infection from Chest X-Ray Images [3.829821362301428]
胸部X線画像を用いた新型コロナウイルス感染を自動的に検出するための最新の最先端のDeep Convolutional Neural Networks(CNN)の適用性について検討した。トレーニングしたモデルMobileNet,EfficentNet,InceptionV3はそれぞれ95%,95%,94%の分類平均精度を達成した。
論文参考訳（メタデータ） (2022-07-01T02:23:23Z)
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)
When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
論文参考訳（メタデータ） (2022-03-24T02:09:41Z)
Artificial Intelligence for COVID-19 Detection -- A state-of-the-art review [5.237999056930947]
新型コロナウイルスの出現は、適切な管理のために科学界の多くの努力を必要としている。深層学習 (DL) と人工知能 (AI) の使用は、上記すべての領域で求められる。グローバル緊急時の課題に対処するために、DLとAIを効果的に実装できることを評価することができる。
論文参考訳（メタデータ） (2020-11-25T07:02:14Z)
UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文参考訳（メタデータ） (2020-10-22T02:28:11Z)
Semi-supervised Neural Networks solve an inverse problem for modeling Covid-19 spread [61.9008166652035]
半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
論文参考訳（メタデータ） (2020-10-10T19:33:53Z)
Deep Learning Models for Early Detection and Prediction of the spread of Novel Coronavirus (COVID-19) [4.213555705835109]
SARS-CoV2は世界的な普及を続けており、パンデミックとなっている。新型コロナウイルスの感染拡大を予測するために、機械学習技術を開発する必要がある。
論文参考訳（メタデータ） (2020-07-29T10:14:11Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。