Fugu-MT 論文翻訳(概要): A Novel Ensemble-Based Deep Learning Model with Explainable AI for Accurate Kidney Disease Diagnosis

論文の概要: A Novel Ensemble-Based Deep Learning Model with Explainable AI for Accurate Kidney Disease Diagnosis

arxiv url: http://arxiv.org/abs/2412.09472v1
Date: Thu, 12 Dec 2024 17:18:49 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-13 13:31:36.737326
Title: A Novel Ensemble-Based Deep Learning Model with Explainable AI for Accurate Kidney Disease Diagnosis
Title（参考訳）: 正確な腎臓病診断のための説明可能なAIを用いたアンサンブルに基づく新しいディープラーニングモデル
Authors: Md. Arifuzzaman, Iftekhar Ahmed, Md. Jalal Uddin Chowdhury, Shadman Sakib, Mohammad Shoaib Rahman, Md. Ebrahim Hossain, Shakib Absar,
Abstract要約: 慢性腎臓病 (CKD) は, 腎機能低下が特徴である。本研究は,CKDの早期検出のための最先端移動学習モデルの適用について検討した。
参考スコア（独自算出の注目度）: 3.84521268332112
License:
Abstract: Chronic Kidney Disease (CKD) represents a significant global health challenge, characterized by the progressive decline in renal function, leading to the accumulation of waste products and disruptions in fluid balance within the body. Given its pervasive impact on public health, there is a pressing need for effective diagnostic tools to enable timely intervention. Our study delves into the application of cutting-edge transfer learning models for the early detection of CKD. Leveraging a comprehensive and publicly available dataset, we meticulously evaluate the performance of several state-of-the-art models, including EfficientNetV2, InceptionNetV2, MobileNetV2, and the Vision Transformer (ViT) technique. Remarkably, our analysis demonstrates superior accuracy rates, surpassing the 90% threshold with MobileNetV2 and achieving 91.5% accuracy with ViT. Moreover, to enhance predictive capabilities further, we integrate these individual methodologies through ensemble modeling, resulting in our ensemble model exhibiting a remarkable 96% accuracy in the early detection of CKD. This significant advancement holds immense promise for improving clinical outcomes and underscores the critical role of machine learning in addressing complex medical challenges.
Abstract（参考訳）: 慢性腎臓病 (CKD) は, 腎機能の低下が進行し, 廃棄物の蓄積, 体内の流動バランスの低下などが特徴である。公衆衛生への広汎な影響を考えると、タイムリーな介入を可能にする効果的な診断ツールの必要性が高まっている。本研究は,CKDの早期検出のための最先端移動学習モデルの適用について検討した。包括的で公開可能なデータセットを活用することで、EfficientNetV2、InceptionNetV2、MobileNetV2、ViT(ViT)技術など、最先端モデルのパフォーマンスを慎重に評価する。注目すべきは、MobileNetV2で90%を超える精度で、ViTで91.5%の精度を達成したことだ。さらに,より予測能力を高めるため,これらの手法をアンサンブルモデリングにより統合し,CKDの早期検出において顕著な96%の精度でアンサンブルモデルを構築した。この大きな進歩は、臨床結果を改善するための大きな可能性を秘めており、複雑な医療課題に対処する上で機械学習が重要な役割を担っていることを裏付けている。

関連論文リスト

Efficient Brain Tumor Classification with Lightweight CNN Architecture: A Novel Approach [0.0]
MRI画像を用いた脳腫瘍の分類は、早期かつ正確な検出が患者の予後に大きな影響を及ぼす医療診断において重要である。近年のディープラーニング(DL)の進歩は将来性を示しているが、多くのモデルは精度と計算効率のバランスに苦慮している。本稿では,分離可能な畳み込みと圧縮・励振ブロック(SEブロック)を統合した新しいモデルアーキテクチャを提案する。
論文参考訳（メタデータ） (2025-02-01T21:06:42Z)
Efficient Precision Control in Object Detection Models for Enhanced and Reliable Ovarian Follicle Counting [37.9434503914985]
機械学習の大きな課題は、高いリコールを可能にしながら予測の精度を制御することである。標準的なPrecision-Recallトレードオフを解決するために、オーバーパフォーマンスな方法を提供する複数のテスト手順を使用します。モデルに依存しないので、この文脈選択手順は、再トレーニングすることなく、任意のモデルの性能を向上させる戦略の開発への道を開く。
論文参考訳（メタデータ） (2025-01-23T19:04:47Z)
A CT Image Classification Network Framework for Lung Tumors Based on Pre-trained MobileNetV2 Model and Transfer learning, And Its Application and Market Analysis in the Medical field [0.8249694498830561]
本稿では,事前学習したMobileNetV2モデルに基づくディープラーニングネットワークフレームワークを提案する。このモデルはテストセットで99.6%の精度を達成し、特徴抽出を大幅に改善した。診断精度を向上し、医療費を削減し、精密医療を促進するAIの可能性は、将来の医療産業の発展に大きな影響を与えるだろう。
論文参考訳（メタデータ） (2025-01-09T06:22:50Z)
Efficient and Comprehensive Feature Extraction in Large Vision-Language Model for Clinical Pathology Analysis [34.199766079609795]
病理診断は疾患の特徴の決定、治療指導、予後評価に不可欠である。従来の純粋な視覚モデルは、冗長な特徴抽出の課題に直面している。既存の視覚言語モデル(LVLM)は、入力解像度の制約によって制限され、その効率と精度を損なう。課題誘導型機能拡張と課題誘導型詳細機能補完の2つの革新的戦略を提案する。
論文参考訳（メタデータ） (2024-12-12T18:07:23Z)
Integrating Deep Feature Extraction and Hybrid ResNet-DenseNet Model for Multi-Class Abnormality Detection in Endoscopic Images [0.9374652839580183]
本研究の目的は、血管拡張症、出血、潰瘍を含む10種類のGI異常分類の同定を自動化することである。提案したモデルは、よく構造化されたデータセットで全体の94%の精度を達成する。
論文参考訳（メタデータ） (2024-10-24T06:10:31Z)
MedDet: Generative Adversarial Distillation for Efficient Cervical Disc Herniation Detection [24.833129797776422]
頚椎椎間板ヘルニア(Cervical disc herniation, CDH)は、筋骨格障害の一種で、専門医による労働集約的な分析を必要とする。医用画像の自動検出の進歩にもかかわらず、これらの手法のリアルタイム適用を妨げる2つの重要な課題がある。 MedDetは,モデル圧縮と効率向上のために,マルチ教師の単一学習知識蒸留を利用する。最後に,CDH-1848データセットの総合的な実験を行い,従来の手法と比較して最大5%のmAP改善を実現した。
論文参考訳（メタデータ） (2024-08-30T18:38:19Z)
Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文参考訳（メタデータ） (2024-07-10T19:17:23Z)
Improving Medical Report Generation with Adapter Tuning and Knowledge Enhancement in Vision-Language Foundation Models [26.146579369491718]
この研究は、一般的な大規模基盤モデルをカスタマイズするための最先端のビジョン言語事前学習および微調整アプローチBLIP-2に基づく。 ImageCLEFmedical 2023のデータセットのバリデーションでは、いくつかの最先端手法に対して、最も優れた平均結果が得られる。
論文参考訳（メタデータ） (2023-12-07T01:01:45Z)
Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文参考訳（メタデータ） (2023-07-10T09:49:30Z)
Transfer learning and Local interpretable model agnostic based visual approach in Monkeypox Disease Detection and Classification: A Deep Learning insights [0.0]
近年のサルポックス病は、世界がまだコロナウイルス病2019(COVID-19)と戦っているときに、世界的なパンデミックの脅威となる。我々は、VGG16、InceptionResNetV2、ResNet50、ResNet101、MobileNetV2、VGG19を用いたトランスファー学習アプローチの6つの異なるディープラーニングモデルの修正とテストを行った。予備計算の結果,改良型InceptionResNetV2モデルとMobileNetV2モデルは,93%から99%の精度で高い性能を示した。
論文参考訳（メタデータ） (2022-11-01T18:07:34Z)
Predictive Analysis of Diabetic Retinopathy with Transfer Learning [0.0]
本稿では,糖尿病網膜症分類のためのCNNアーキテクチャの性能をトランスファーラーニングの助けを借りて検討する。その結果,VGG 16モデルを用いた画像ネット重み付きトランスファー学習は,95%の精度で最高の分類性能を示した。
論文参考訳（メタデータ） (2020-11-08T18:54:57Z)

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。