Fugu-MT 論文翻訳(概要): SHAP-Integrated Convolutional Diagnostic Networks for Feature-Selective Medical Analysis

論文の概要: SHAP-Integrated Convolutional Diagnostic Networks for Feature-Selective Medical Analysis

arxiv url: http://arxiv.org/abs/2503.08712v1
Date: Mon, 10 Mar 2025 05:48:35 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-13 15:40:50.686586
Title: SHAP-Integrated Convolutional Diagnostic Networks for Feature-Selective Medical Analysis
Title（参考訳）: 特徴選択医療分析のためのSHAP統合畳み込み診断ネットワーク
Authors: Yan Hu, Ahmad Chaddad,
Abstract要約: 本研究では,限られたデータセットを対象とした解釈可能な特徴選択手法であるSHAP統合畳み込み診断ネットワーク(SICDN)を紹介する。 SICDNモデルは、肺炎と乳癌のデータセットを使用して分類タスクでテストされ、97%以上の精度を示し、4つの人気のあるCNNモデルを上回った。
参考スコア（独自算出の注目度）: 4.819295641769665
License:
Abstract: This study introduces the SHAP-integrated convolutional diagnostic network (SICDN), an interpretable feature selection method designed for limited datasets, to address the challenge posed by data privacy regulations that restrict access to medical datasets. The SICDN model was tested on classification tasks using pneumonia and breast cancer datasets, demonstrating over 97% accuracy and surpassing four popular CNN models. We also integrated a historical weighted moving average technique to enhance feature selection. The SICDN shows potential in medical image prediction, with the code available on https://github.com/AIPMLab/SICDN.
Abstract（参考訳）: 本研究では、医学データセットへのアクセスを制限するデータプライバシ規制による課題に対処するため、限定データセット用に設計された解釈可能な特徴選択手法であるSHAP統合畳み込み診断ネットワーク(SICDN)を紹介した。 SICDNモデルは、肺炎と乳癌のデータセットを使用して分類タスクでテストされ、97%以上の精度を示し、4つの人気のあるCNNモデルを上回った。また,歴史的重み付き移動平均手法を統合し,特徴選択の強化を行った。 SICDNは医療画像の予測の可能性を示しており、コードはhttps://github.com/AIPMLab/SICDNで公開されている。

関連論文リスト

Hybrid Interpretable Deep Learning Framework for Skin Cancer Diagnosis: Integrating Radial Basis Function Networks with Explainable AI [1.1049608786515839]
皮膚がんは世界中で最も流行し、致命的な疾患の1つである。本稿では,畳み込みニューラルネットワーク(CNN)とラジアル基底関数(RBF)ネットワークを統合するハイブリッドディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2025-01-24T19:19:02Z)
ICFNet: Integrated Cross-modal Fusion Network for Survival Prediction [24.328576712419814]
本稿では,スライド画像全体,ゲノム表現プロファイル,患者の人口統計,治療プロトコルを統合した総合的クロスモーダル・フュージョン・ネットワーク(ICFNet)を提案する。 ICFNetは、5つのパブリックTCGAデータセットで最先端のアルゴリズムより優れている。
論文参考訳（メタデータ） (2025-01-06T05:49:08Z)
Feasibility Analysis of Federated Neural Networks for Explainable Detection of Atrial Fibrillation [1.6053176639259055]
心房細動 (AFib) の早期発見は, 無症候性, 発作性に困難である。本研究は、生のECGデータを用いてAFibを検出するために、フェデレートラーニング(FL)プラットフォーム上でニューラルネットワークをトレーニングする可能性を評価する。
論文参考訳（メタデータ） (2024-10-14T15:06:10Z)
FEDMEKI: A Benchmark for Scaling Medical Foundation Models via Federated Knowledge Injection [83.54960238236548]
FEDMEKIはデータのプライバシーを守るだけでなく、医療基盤モデルの能力を高める。 FEDMEKIは、医療ファンデーションモデルに対して、直接データを公開することなく、幅広い医療知識から学ぶことを可能にする。
論文参考訳（メタデータ） (2024-08-17T15:18:56Z)
Feature Selection in the Contrastive Analysis Setting [17.90957424147776]
コントラスト分析(Contrastive Analysis、CA)は、ターゲットデータセットに独自に濃縮されたバリエーションの探索を指す。コントラスト特徴選択(CFS)は,CA設定において特徴選択を行う手法である。提案手法は従来提案されていた教師付きかつ完全に教師なしな特徴選択法よりも一貫して優れていた。
論文参考訳（メタデータ） (2023-10-27T23:16:03Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
Application of federated learning techniques for arrhythmia classification using 12-lead ECG signals [0.11184789007828977]
この作業では、フェデレートラーニング(FL)プライバシ保護方法論を使用して、高定義のECGの異種集合上でAIモデルをトレーニングする。 CL, IID, 非IIDアプローチを用いて訓練したモデルと比較した。
論文参考訳（メタデータ） (2022-08-23T14:21:16Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
論文参考訳（メタデータ） (2022-03-24T02:09:41Z)
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)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。