論文の概要: A Comprehensive Analysis on Machine Learning based Methods for Lung Cancer Level Classification
- arxiv url: http://arxiv.org/abs/2501.18294v1
- Date: Thu, 30 Jan 2025 12:09:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-31 15:12:57.777929
- Title: A Comprehensive Analysis on Machine Learning based Methods for Lung Cancer Level Classification
- Title(参考訳): 肺がんレベル分類のための機械学習手法に関する包括的分析
- Authors: Shayli Farshchiha, Salman Asoudeh, Maryam Shavali Kuhshuri, Mehrshad Eisaeid, Mohamadreza Azadie, Saba Hesaraki,
- Abstract要約: 肺がんは世界中の公衆衛生において大きな問題であり、安定した技術を用いた早期診断が必要である。
この研究は、肺癌のステージを正確に分類するための機械学習(ML)手法の徹底的な研究を開始する。
XGBoost(XGB)、LGBM、Adaboost、Logistic Regression(LR)、Decision Tree(DT)、Random Forest(RF)、CatBoost、k-Nearest Neighbor(k-NN)などの機械学習(ML)モデルは、方法論的に実行され、対比される。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Lung cancer is a major issue in worldwide public health, requiring early diagnosis using stable techniques. This work begins a thorough investigation of the use of machine learning (ML) methods for precise classification of lung cancer stages. A cautious analysis is performed to overcome overfitting issues in model performance, taking into account minimum child weight and learning rate. A set of machine learning (ML) models including XGBoost (XGB), LGBM, Adaboost, Logistic Regression (LR), Decision Tree (DT), Random Forest (RF), CatBoost, and k-Nearest Neighbor (k-NN) are run methodically and contrasted. Furthermore, the correlation between features and targets is examined using the deep neural network (DNN) model and thus their capability in detecting complex patternsis established. It is argued that several ML models can be capable of classifying lung cancer stages with great accuracy. In spite of the complexity of DNN architectures, traditional ML models like XGBoost, LGBM, and Logistic Regression excel with superior performance. The models perform better than the others in lung cancer prediction on the complete set of comparative metrics like accuracy, precision, recall, and F-1 score
- Abstract(参考訳): 肺がんは世界中の公衆衛生において大きな問題であり、安定した技術を用いた早期診断が必要である。
この研究は、肺癌のステージを正確に分類するための機械学習(ML)手法の徹底的な研究を開始する。
子どもの体重と学習率を考慮し、モデルパフォーマンスの過度な適合問題を克服するために慎重な分析を行う。
XGBoost(XGB)、LGBM、Adaboost、Logistic Regression(LR)、Decision Tree(DT)、Random Forest(RF)、CatBoost、k-Nearest Neighbor(k-NN)などの機械学習(ML)モデルは、方法論的に実行され、対比される。
さらに,Deep Neural Network (DNN) モデルを用いて特徴と目標の相関について検討し,複雑なパターンを検出する能力を確立した。
いくつかのMLモデルは肺がんのステージを高い精度で分類することができると論じられている。
DNNアーキテクチャの複雑さにもかかわらず、XGBoost、LGBM、Logistic Regressionといった従来のMLモデルは優れたパフォーマンスで優れている。
これらのモデルは、精度、精度、リコール、F-1スコアなどの比較指標の完全なセットにおいて、肺がん予測における他のものよりも優れたパフォーマンスを示す。
関連論文リスト
- Exploring Machine Learning Models for Lung Cancer Level Classification: A comparative ML Approach [0.0]
本稿では,肺がんレベルを分類する機械学習(ML)モデルについて検討する。
オーバーフィッティングを減らし、パフォーマンスを最適化するために、最小の児童体重と学習率モニタリングを使用します。
投票やバッグングを含むアンサンブル手法も、予測精度と堅牢性を高めることを約束している。
論文 参考訳(メタデータ) (2024-08-23T04:56:36Z) - Predictive Modeling for Breast Cancer Classification in the Context of Bangladeshi Patients: A Supervised Machine Learning Approach with Explainable AI [0.0]
5種類の機械学習手法の分類精度,精度,リコール,F-1スコアを評価し,比較した。
XGBoostは97%という最高のモデル精度を達成した。
論文 参考訳(メタデータ) (2024-04-06T17:23:21Z) - Multi-Task Learning for Lung sound & Lung disease classification [0.0]
肺音と肺疾患の同時分類にマルチタスク学習(MTL)を用いる新しい手法を提案する。
提案モデルでは,2次元CNN,ResNet50,MobileNet,Densenetの4種類の深層学習モデルを用いて,肺の音響記録から関連する特徴を抽出する。
MTL for MobileNetモデルは, 肺の音響解析では74%, 肺疾患分類では91%の精度で, 他のモデルよりも良好な性能を示した。
論文 参考訳(メタデータ) (2024-04-05T06:15:58Z) - Comparison of gait phase detection using traditional machine learning
and deep learning techniques [3.11526333124308]
本研究では,人間歩行のための低レベルEMGデータに基づく機械学習(ML)モデルを提案する。
その結果,従来のMLモデルでは75%,ディープラーニング(DL)モデルでは79%の精度が得られた。
論文 参考訳(メタデータ) (2024-03-07T10:05:09Z) - An Evaluation of Machine Learning Approaches for Early Diagnosis of
Autism Spectrum Disorder [0.0]
自閉症スペクトラム障害(Autistic Spectrum disorder、ASD)は、社会的相互作用、コミュニケーション、反復活動の困難を特徴とする神経疾患である。
本研究は,診断プロセスの強化と自動化を目的として,多様な機械学習手法を用いて重要なASD特性を同定する。
論文 参考訳(メタデータ) (2023-09-20T21:23:37Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文 参考訳(メタデータ) (2020-05-13T20:29:48Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳(メタデータ) (2020-04-30T20:42:17Z)
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。