論文の概要: A Hybrid CNN-Transformer Model for Heart Disease Prediction Using Life History Data

• arxiv url: http://arxiv.org/abs/2503.02124v1
• Date: Mon, 03 Mar 2025 23:12:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:16:27.535426
• Title: A Hybrid CNN-Transformer Model for Heart Disease Prediction Using Life History Data
• Title（参考訳）: 生活史データを用いた心疾患予測のためのハイブリッドCNN変換器モデル
• Authors: Ran Hao, Yanlin Xiang, Junliang Du, Qingyuan He, Jiacheng Hu, Ting Xu,
• Abstract要約: 本研究では、畳み込みニューラルネットワーク(CNN)とトランスフォーマーのハイブリッドモデルを用いて、心臓疾患の予測と診断を行う。 局所的な特徴を検出するCNNの強みとグローバルな関係を感知するトランスフォーマーの高能力に基づいて、このモデルは心臓病の危険因子を検出することができる。
• 参考スコア（独自算出の注目度）: 4.043923997825091
• License:
• Abstract: This study proposed a hybrid model of a convolutional neural network (CNN) and a Transformer to predict and diagnose heart disease. Based on CNN's strength in detecting local features and the Transformer's high capacity in sensing global relations, the model is able to successfully detect risk factors of heart disease from high-dimensional life history data. Experimental results show that the proposed model outperforms traditional benchmark models like support vector machine (SVM), convolutional neural network (CNN), and long short-term memory network (LSTM) on several measures like accuracy, precision, and recall. This demonstrates its strong ability to deal with multi-dimensional and unstructured data. In order to verify the effectiveness of the model, experiments removing certain parts were carried out, and the results of the experiments showed that it is important to use both CNN and Transformer modules in enhancing the model. This paper also discusses the incorporation of additional features and approaches in future studies to enhance the model's performance and enable it to operate effectively in diverse conditions. This study presents novel insights and methods for predicting heart disease using machine learning, with numerous potential applications especially in personalized medicine and health management.
• Abstract（参考訳）: 本研究では,心疾患の予測と診断を行うために,畳み込みニューラルネットワーク(CNN)とトランスフォーマーのハイブリッドモデルを提案した。 局所的特徴の検出におけるCNNの強みとグローバルな関係を感知するトランスフォーマーの高能力に基づいて,高次元生活史データから心臓病の危険因子を検出することができる。 実験結果から,提案モデルは,サポートベクタマシン(SVM)や畳み込みニューラルネットワーク(CNN),長期短期記憶ネットワーク(LSTM)といった従来のベンチマークモデルよりも精度,精度,リコールなどの指標で優れていた。 これは多次元および非構造化データを扱う強力な能力を示している。 モデルの有効性を検証するため, ある部品を除去する実験を行い, 実験の結果, CNNモジュールとTransformerモジュールを併用することが重要であった。 本稿では,モデルの性能を向上し,多様な条件下で効果的に動作できるようにするため,今後の研究における追加機能やアプローチの導入についても論じる。 本研究は,機械学習を用いた心疾患の予測のための新しい知見と方法であり,特にパーソナライズド医療や健康管理に多くの可能性を持つ。

関連論文リスト

• GL-ICNN: An End-To-End Interpretable Convolutional Neural Network for the Diagnosis and Prediction of Alzheimer's Disease [0.9910295091178368]
  本稿では,アルツハイマー性認知症(AD)の診断と予測のために,CNNとEMMを組み合わせた新しいモデルを提案する。 このモデルは、画像データを入力として、予測と解釈可能な特徴重要度の両方を提供する。
  論文  参考訳（メタデータ） (2025-01-20T19:55:50Z)
• Physics-informed deep learning for infectious disease forecasting [2.938382489367582]
  物理インフォームドニューラルネットワーク(PINN)に基づく新しい感染症予測モデルを提案する。 提案するPINNモデルでは,障害伝達の動的システム表現を損失関数に組み込む。 ケース数、死亡数、入院数に関するPINNモデルの予測は、既存のベンチマークと一致している。
  論文  参考訳（メタデータ） (2025-01-16T05:07:05Z)
• Time Series Modeling for Heart Rate Prediction: From ARIMA to Transformers [4.744436991413165]
  本研究では、LSTMを含む高度なディープラーニングモデルを用いて、MIT-BIHデータベースから心拍数時系列を予測する。 結果は、ディープラーニングモデル、特にPatchTSTが、複数のメトリクスで従来のモデルを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-06-18T01:55:37Z)
• 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)
• A Light-weight CNN Model for Efficient Parkinson's Disease Diagnostics [1.382077805849933]
  提案モデルは,時系列信号の特性を適応させるために,畳み込みニューラルネットワーク(CNN)から短期記憶(LSTM)へと変換される。 実験結果から,提案モデルでは,パラメータや操作がはるかに少ない複数の評価指標に対して,高品質な診断結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-02-02T09:49:07Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Novel EEG based Schizophrenia Detection with IoMT Framework for Smart Healthcare [0.0]
  統合失調症(Sz)は、世界中の人々の思考、行動、感情に深刻な影響を及ぼす脳障害である。 EEGは非線形時系列信号であり、その非線形構造のために調査に利用することがかなり重要である。 本稿では,深層学習を用いた脳波を用いたSz検出の性能向上を目的とする。
  論文  参考訳（メタデータ） (2021-11-19T18:21:20Z)
• 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)
• 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)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)

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。