論文の概要: Exploring the Feasibility of Deep Learning Models for Long-term Disease Prediction: A Case Study for Wheat Yellow Rust in England

• arxiv url: http://arxiv.org/abs/2501.15677v1
• Date: Sun, 26 Jan 2025 21:22:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:55:23.756243
• Title: Exploring the Feasibility of Deep Learning Models for Long-term Disease Prediction: A Case Study for Wheat Yellow Rust in England
• Title（参考訳）: 長期疾患予測のための深層学習モデルの可能性を探る:イングランドの小麦イエローラストを事例として
• Authors: Zhipeng Yuan, Yu Zhang, Gaoshan Bi, Po Yang,
• Abstract要約: 本研究は,イギリスにおけるコムギ黄さびの発生予測に深層学習モデルの適用可能性について検討した。 完全に接続されたニューラルネットワークと長時間の短期記憶を含む2つのディープラーニングモデルを採用しています。 予備的な結果は、深層学習モデルが、病気のダイナミクスに影響を与える複数の要因間の複雑な相互作用を効果的に捉えることができることを示している。
• 参考スコア（独自算出の注目度）: 6.760255060153002
• License:
• Abstract: Wheat yellow rust, caused by the fungus Puccinia striiformis, is a critical disease affecting wheat crops across Britain, leading to significant yield losses and economic consequences. Given the rapid environmental changes and the evolving virulence of pathogens, there is a growing need for innovative approaches to predict and manage such diseases over the long term. This study explores the feasibility of using deep learning models to predict outbreaks of wheat yellow rust in British fields, offering a proactive approach to disease management. We construct a yellow rust dataset with historial weather information and disease indicator acrossing multiple regions in England. We employ two poweful deep learning models, including fully connected neural networks and long short-term memory to develop predictive models capable of recognizing patterns and predicting future disease outbreaks.The models are trained and validated in a randomly sliced datasets. The performance of these models with different predictive time steps are evaluated based on their accuracy, precision, recall, and F1-score. Preliminary results indicate that deep learning models can effectively capture the complex interactions between multiple factors influencing disease dynamics, demonstrating a promising capacity to forecast wheat yellow rust with considerable accuracy. Specifically, the fully-connected neural network achieved 83.65% accuracy in a disease prediction task with 6 month predictive time step setup. These findings highlight the potential of deep learning to transform disease management strategies, enabling earlier and more precise interventions. Our study provides a methodological framework for employing deep learning in agricultural settings but also opens avenues for future research to enhance the robustness and applicability of predictive models in combating crop diseases globally.
• Abstract（参考訳）: コムギ(Puccinia striiformis)によって引き起こされる小麦の黄さびは、イギリス全土の小麦作物に深刻な病気であり、大きな収穫損失と経済的な影響をもたらす。 環境の急激な変化と病原体の病原性の変化を考えると、このような病気を長期にわたって予測し、管理するための革新的なアプローチの必要性が高まっている。 本研究は,イギリスにおけるコムギ黄さびの発生を予測するための深層学習モデルの適用可能性について検討し,疾患管理への積極的なアプローチを提案する。 イングランドの複数の地域をまたがる気象情報と病気指標を用いた黄さびデータセットを構築した。 我々は、完全に接続されたニューラルネットワークと長期記憶を含む2つの多目的ディープラーニングモデルを用いて、パターンを認識し、将来の病気の発生を予測する予測モデルを開発し、ランダムにスライスされたデータセットでトレーニングし、検証する。 予測時間ステップが異なるモデルの性能は,精度,精度,リコール,F1スコアに基づいて評価する。 予備的な結果は、深層学習モデルが病気のダイナミクスに影響を与える複数の要因間の複雑な相互作用を効果的に捉え、小麦の黄さびをかなり正確に予測できる可能性を示していることを示唆している。 具体的には、完全に接続されたニューラルネットワークは、6ヶ月の予測タイムステップセットアップを備えた病気予測タスクにおいて83.65%の精度を達成した。 これらの知見は、より早期、より正確な介入を可能にする病気管理戦略を変革する深層学習の可能性を強調している。 本研究は,農業環境における深層学習の方法論的枠組みを提供するとともに,世界の作物病対策における予測モデルの堅牢性と適用性を高めるため,今後の研究への道を開く。

関連論文リスト

• Early Detection of Coffee Leaf Rust Through Convolutional Neural Networks Trained on Low-Resolution Images [27.195033353775006]
  コーヒー葉のさびは、真菌のHemileia vastatrixによって引き起こされた葉病であり、コーヒー生産にとって大きな脅威となる。 早期疾患検出を強化するためのディープラーニングモデルは、広範囲な処理能力と大量のデータを必要とする。 本稿では,高域通過フィルタを用いたトレーニング画像のコントラスト向上を目的とした前処理手法を提案する。
  論文  参考訳（メタデータ） (2024-07-20T03:24:25Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Harmful algal bloom forecasting. A comparison between stream and batch learning [0.7067443325368975]
  有害なアルガルブルーム(HAB)は公衆衛生と貝類産業にリスクをもたらす。 本研究では,有毒なジノフラゲレートの細胞数を予測する機械学習ワークフローを開発した。 モデルDoMEは最も効果的で解釈可能な予測器として登場し、他のアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2024-02-20T15:01:11Z)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• Deep learning via LSTM models for COVID-19 infection forecasting in India [13.163271874039191]
  卓越した計算モデルと数学的モデルは、感染の拡散の複雑さのために信頼性が低い。 リカレントニューラルネットワークのようなディープラーニングモデルは、時間的シーケンスをモデル化するのに適している。 感染率の面では、新型コロナウイルスのホットポットを持つ州を選択し、感染の有無やピークに達した州と比較する。 以上の結果から,他の国や地域での手法の適用を動機づける長期予測が期待されていることが示唆された。
  論文  参考訳（メタデータ） (2021-01-28T09:19:10Z)
• Forecasting Black Sigatoka Infection Risks with Latent Neural ODEs [5.483149401688839]
  ブラックシガトカ病は世界的なバナナ生産を著しく減少させる。 発展途上国の農家はバナナの収穫量に大きな損失に直面している。 我々は,黒色シガトカ感染のダイナミクスをモデル化したニューラルネットワークであるMR.NODEを提案する。
  論文  参考訳（メタデータ） (2020-12-01T21:59:53Z)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)
• 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)
• Steering a Historical Disease Forecasting Model Under a Pandemic: Case of Flu and COVID-19 [75.99038202534628]
  我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。 我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
  論文  参考訳（メタデータ） (2020-09-23T22:35:43Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。