論文の概要: The Effect of Acute Stress on the Interpretability and Generalization of Schizophrenia Predictive Machine Learning Models

• arxiv url: http://arxiv.org/abs/2410.19739v1
• Date: Fri, 04 Oct 2024 02:41:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-03 09:21:04.622459
• Title: The Effect of Acute Stress on the Interpretability and Generalization of Schizophrenia Predictive Machine Learning Models
• Title（参考訳）: 精神分裂病予測機械学習モデルの解釈可能性と一般化に及ぼす急性ストレスの影響
• Authors: Gideon Vos, Maryam Ebrahimpour, Liza van Eijk, Zoltan Sarnyai, Mostafa Rahimi Azghadi,
• Abstract要約: 統合失調症は重度の精神疾患であり、早期診断は結果を改善する鍵となる。 脳波は統合失調症の研究に有用なツールとして現れており、機械学習が診断にますます応用されている。 本稿では、統合失調症の予測のためのMLモデルの精度を評価し、脳波記録中のストレスがモデルパフォーマンスに与える影響について検討する。
• 参考スコア（独自算出の注目度）: 2.5648452174203062
• License:
• Abstract: Introduction Schizophrenia is a severe mental disorder, and early diagnosis is key to improving outcomes. Its complexity makes predicting onset and progression challenging. EEG has emerged as a valuable tool for studying schizophrenia, with machine learning increasingly applied for diagnosis. This paper assesses the accuracy of ML models for predicting schizophrenia and examines the impact of stress during EEG recording on model performance. We integrate acute stress prediction into the analysis, showing that overlapping conditions like stress during recording can negatively affect model accuracy. Methods Four XGBoost models were built: one for stress prediction, two to classify schizophrenia (at rest and task), and a model to predict schizophrenia for both conditions. XAI techniques were applied to analyze results. Experiments tested the generalization of schizophrenia models using their datasets' healthy controls and independent health-screened controls. The stress model identified high-stress subjects, who were excluded from further analysis. A novel method was used to adjust EEG frequency band power to remove stress artifacts, improving predictive model performance. Results Our results show that acute stress vary across EEG sessions, affecting model performance and accuracy. Generalization improved once these varying stress levels were considered and compensated for during model training. Our findings highlight the importance of thorough health screening and management of the patient's condition during the process. Stress induced during or by the EEG recording can adversely affect model generalization. This may require further preprocessing of data by treating stress as an additional physiological artifact. Our proposed approach to compensate for stress artifacts in EEG data used for training models showed a significant improvement in predictive performance.
• Abstract（参考訳）: 統合失調症は重度の精神疾患であり、早期診断は結果を改善する鍵となる。 その複雑さは、予測の開始と進行を難しくする。 脳波は統合失調症の研究に有用なツールとして現れており、機械学習が診断にますます応用されている。 本稿では、統合失調症の予測のためのMLモデルの精度を評価し、脳波記録中のストレスがモデルパフォーマンスに与える影響について検討する。 解析に急性ストレス予測を組み込んだ結果,記録中のストレスなどの重なり合う条件がモデル精度に悪影響を及ぼすことが示された。 方法 XGBoost モデルは,ストレス予測モデル,統合失調症(安静時と作業時)分類モデル,統合失調症を両条件で予測するモデルである。 結果分析にXAI法を適用した。 実験では、データセットの健全なコントロールと独立した健康スクリーニングコントロールを使用して統合失調症モデルの一般化をテストした。 ストレスモデルでは, さらなる分析から除外された高ストレス被験者を同定した。 ストレスアーティファクトを除去し,予測モデルの性能を向上させるため,脳波周波数帯電力を調整するための新しい手法が提案された。 その結果,脳波セッション毎に急性ストレスが変化し,モデルの性能と精度に影響を及ぼすことが明らかとなった。 一般化は、モデルトレーニング中にこれらの様々なストレスレベルが考慮され、補償されると改善された。 以上の結果から,患者の健康状態の徹底的スクリーニングと管理の重要性が示唆された。 脳波記録によるストレスは、モデル一般化に悪影響を及ぼす可能性がある。 これは、ストレスを追加の生理的アーティファクトとして扱うことによって、データのさらなる前処理を必要とするかもしれない。 トレーニングモデルに用いる脳波データからストレスアーチファクトを補正する手法を提案すると,予測性能が大幅に向上した。

関連論文リスト

• Stressor Type Matters! -- Exploring Factors Influencing Cross-Dataset Generalizability of Physiological Stress Detection [5.304745246313982]
  本研究では,2次応力検出のためのHRV機能に基づいて学習した機械学習モデルの一般化可能性について検討する。 以上の結果から,モデル一般化可能性に重要な因子であるストレスタイプが示唆された。 我々は、新しい環境にHRVベースのストレスモデルを展開する際に、ストレスタイプをマッチングすることを推奨する。
  論文  参考訳（メタデータ） (2024-05-06T14:47:48Z)
• 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)
• Personalized Prediction of Recurrent Stress Events Using Self-Supervised Learning on Multimodal Time-Series Data [1.7598252755538808]
  ウェアラブル生体信号データを用いたマルチモーダル・パーソナライズされたストレス予測システムを開発した。 我々は、各被験者のデータに基づいてモデルを事前学習するために、自己教師付き学習を採用する。 その結果,最小限のアノテーションで各ユーザのストレス予測をパーソナライズできることが示唆された。
  論文  参考訳（メタデータ） (2023-07-07T00:44:06Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
  本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。 生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。 今回,最も多い患者,すなわち30日間の寛解率について検討した。
  論文  参考訳（メタデータ） (2022-11-13T01:07:23Z)
• Deep Stable Representation Learning on Electronic Health Records [8.256340233221112]
  CHE(Causal Healthcare Embedding)は、診断と処置の依存関係を取り除くことで、突発的な統計的関係を取り除くことを目的としている。 提案手法は,既存の深層学習モデルをEHR上で拡張可能な,フレキシブルなプラグアンドプレイモジュールとして利用できる。
  論文  参考訳（メタデータ） (2022-09-03T04:10:45Z)
• Bias Reducing Multitask Learning on Mental Health Prediction [18.32551434711739]
  メンタルヘルスの検出や予測のための機械学習モデルの開発では、研究が増加している。 本研究では,マルチタスク学習に基づくバイアス緩和手法を不安予測モデルに適用し,公平性分析を行うことを目的とする。 分析の結果、我々の不安予測ベースモデルでは、年齢、収入、民族性、そして参加者が米国で生まれたかどうかに偏りが生じていた。
  論文  参考訳（メタデータ） (2022-08-07T02:28:32Z)
• Deep Multi-task Learning for Depression Detection and Prediction in Longitudinal Data [50.02223091927777]
  うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。 機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。 本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-05T05:14:14Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Bidirectional Representation Learning from Transformers using Multimodal Electronic Health Record Data to Predict Depression [11.1492931066686]
  うつ病の予測のために,ERHシーケンス上で双方向の表現学習を行うための時間的深層学習モデルを提案する。 このモデルでは, 曲線(PRAUC)下において, 最良ベースラインモデルと比較して, 抑うつ予測において0.70から0.76まで, 精度・リコール面積の最大値が得られた。
  論文  参考訳（メタデータ） (2020-09-26T17:56:37Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。