論文の概要: Effect sizes as a statistical feature-selector-based learning to detect breast cancer

• arxiv url: http://arxiv.org/abs/2411.06868v1
• Date: Mon, 11 Nov 2024 11:07:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:11:05.460898
• Title: Effect sizes as a statistical feature-selector-based learning to detect breast cancer
• Title（参考訳）: 統計的特徴量に基づく乳がん検出学習における効果サイズの検討
• Authors: Nicolas Masino, Antonio Quintero-Rincon,
• Abstract要約: エフェクトサイズ(エフェクトサイズ)は、数値スケール上の2つの変数間の関係の強さを測定する統計的概念である。 本研究では,統計的特徴選択型学習ツールの開発の可能性を示すアルゴリズムと実験結果を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Breast cancer detection is still an open research field, despite a tremendous effort devoted to work in this area. Effect size is a statistical concept that measures the strength of the relationship between two variables on a numeric scale. Feature selection is widely used to reduce the dimensionality of data by selecting only a subset of predictor variables to improve a learning model. In this work, an algorithm and experimental results demonstrate the feasibility of developing a statistical feature-selector-based learning tool capable of reducing the data dimensionality using parametric effect size measures from features extracted from cell nuclei images. The SVM classifier with a linear kernel as a learning tool achieved an accuracy of over 90%. These excellent results suggest that the effect size is within the standards of the feature-selector methods
• Abstract（参考訳）: 乳がん検出はいまだにオープンな研究分野であり、この分野での研究に多大な努力を払っている。 エフェクトサイズ(エフェクトサイズ)は、数値スケール上の2つの変数間の関係の強さを測定する統計的概念である。 特徴選択は、学習モデルを改善するために予測変数のサブセットのみを選択することで、データの次元性を低減するために広く使用されている。 本研究では, 細胞核画像から抽出した特徴量からパラメトリック効果の大きさの測定値を用いて, データの次元性を低減できる統計的特徴選択型学習ツールの開発の可能性を示す。 線形カーネルを学習ツールとするSVM分類器は90%以上の精度を達成した。 これらの優れた結果は、効果サイズが特徴セレクタ法の標準内にあることを示唆している。

関連論文リスト

• An Autoencoder and Generative Adversarial Networks Approach for Multi-Omics Data Imbalanced Class Handling and Classification [2.2940141855172036]
  分子生物学では、マルチオミクスシークエンシングから生成されるデータの爆発があった。 従来の統計手法は、そのような高次元データを扱う際に難しい課題に直面している。 この研究は、オートエンコーダを組み込んだニューラルネットワークでこれらの課題に取り組むことに焦点を当て、特徴の潜在空間を抽出する。
  論文  参考訳（メタデータ） (2024-05-16T01:45:55Z)
• Querying Easily Flip-flopped Samples for Deep Active Learning [63.62397322172216]
  アクティブラーニング(英: Active Learning)は、ラベルのないデータを戦略的に選択してクエリすることで、モデルの性能を向上させることを目的とした機械学習パラダイムである。 効果的な選択戦略の1つはモデルの予測の不確実性に基づくもので、サンプルがどの程度情報的であるかの尺度として解釈できる。 本稿では,予測されたラベルの不一致の最小確率として,最小不一致距離(LDM)を提案する。
  論文  参考訳（メタデータ） (2024-01-18T08:12:23Z)
• Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
  変性性脊椎疾患は高齢者に多い。 骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。 本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
  論文  参考訳（メタデータ） (2023-12-08T18:11:22Z)
• Adaptation of Autoencoder for Sparsity Reduction From Clinical Notes Representation Learning [0.19573380763700707]
  本稿では,臨床ノート表現の空間的縮小を生かしたオートエンコーダ学習アルゴリズムを提案する。 その動機は, 臨床注記表現特徴空間の次元を小さくすることで, スパースな高次元データを圧縮する方法を決定することである。 提案手法により,評価毎に最大3%の性能向上が得られた。
  論文  参考訳（メタデータ） (2022-09-26T16:37:37Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• DRIVE: Machine Learning to Identify Drivers of Cancer with High-Dimensional Genomic Data & Imputed Labels [0.0]
  ドライバー突然変異同定のための新しい組み合わせ法を提案する。 統計モデルと関数的影響に基づく手法の両方の力を使う。 最初の結果は、この手法が精度で最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2021-05-02T13:27:31Z)
• Meta-learning for skin cancer detection using Deep Learning Techniques [0.0]
  本研究は皮膚内視鏡画像に対するメタラーニングアプローチによる皮膚がんの自動検出に焦点をあてる。 3つの異なるソースからの結合データセットの小さなサンプルを使用して、非医療データで事前トレーニングされたresnetモデルを微調整した。
  論文  参考訳（メタデータ） (2021-04-21T21:44:25Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Estimating Structural Target Functions using Machine Learning and Influence Functions [103.47897241856603]
  統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。 このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。 我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
  論文  参考訳（メタデータ） (2020-08-14T16:48:29Z)
• Deep Learning for Quantile Regression under Right Censoring: DeepQuantreg [1.0152838128195467]
  本稿では,ニューラルネットワークのリバイバルデータに対する量子レグレッションへの応用について述べる。 本研究の目的は, 従来の量子回帰法と比較して, 非線形パターンを正確に予測できるほど, 深層学習法が柔軟であることを示すことである。
  論文  参考訳（メタデータ） (2020-07-14T14:31:11Z)

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。