Fugu-MT 論文翻訳(概要): Machine Learning Meets Transparency in Osteoporosis Risk Assessment: A Comparative Study of ML and Explainability Analysis

論文の概要: Machine Learning Meets Transparency in Osteoporosis Risk Assessment: A Comparative Study of ML and Explainability Analysis

arxiv url: http://arxiv.org/abs/2505.00410v1
Date: Thu, 01 May 2025 09:05:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:55.273861
Title: Machine Learning Meets Transparency in Osteoporosis Risk Assessment: A Comparative Study of ML and Explainability Analysis
Title（参考訳）: 骨粗しょう症リスクアセスメントにおける機械学習の透明性:MLと説明可能性分析の比較研究
Authors: Farhana Elias, Md Shihab Reza, Muhammad Zawad Mahmud, Samiha Islam,
Abstract要約: 本研究は,機械学習(ML)による骨粗しょう症のリスク予測の難しさに対処するものである。 XGBoostは評価モデルの中で最大の精度(91%)で、他のモデルの精度(0.92)、リコール(0.91)、F1スコア(0.90)を上回った。本研究は, 加齢が骨粗しょう症のリスク予測の主要な要因であり, ホルモン変動と家族歴が続くことを示唆している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The present research tackles the difficulty of predicting osteoporosis risk via machine learning (ML) approaches, emphasizing the use of explainable artificial intelligence (XAI) to improve model transparency. Osteoporosis is a significant public health concern, sometimes remaining untreated owing to its asymptomatic characteristics, and early identification is essential to avert fractures. The research assesses six machine learning classifiers: Random Forest, Logistic Regression, XGBoost, AdaBoost, LightGBM, and Gradient Boosting and utilizes a dataset based on clinical, demographic, and lifestyle variables. The models are refined using GridSearchCV to calibrate hyperparameters, with the objective of enhancing predictive efficacy. XGBoost had the greatest accuracy (91%) among the evaluated models, surpassing others in precision (0.92), recall (0.91), and F1-score (0.90). The research further integrates XAI approaches, such as SHAP, LIME, and Permutation Feature Importance, to elucidate the decision-making process of the optimal model. The study indicates that age is the primary determinant in forecasting osteoporosis risk, followed by hormonal alterations and familial history. These results corroborate clinical knowledge and affirm the models' therapeutic significance. The research underscores the significance of explainability in machine learning models for healthcare applications, guaranteeing that physicians can rely on the system's predictions. The report ultimately proposes directions for further research, such as validation across varied populations and the integration of supplementary biomarkers for enhanced predictive accuracy.
Abstract（参考訳）: 本研究は、機械学習(ML)アプローチによる骨粗しょう症のリスク予測の難しさに対処し、モデル透明性を改善するための説明可能な人工知能(XAI)の使用を強調した。骨粗しょう症は重要な公衆衛生上の問題であり、不整脈性のため治療を受けていない場合もあり、早期診断は骨折の回避に不可欠である。この研究はランダムフォレスト、ロジスティック回帰、XGBoost、AdaBoost、LightGBM、Gradient Boostingの6つの機械学習分類器を評価し、臨床、統計学、ライフスタイルの変数に基づいたデータセットを利用している。モデルはGridSearchCVを用いてハイパーパラメータのキャリブレーションを行い,予測効率の向上を目的とした。 XGBoostは評価モデルの中で最大の精度(91%)を持ち、他のモデルよりも精度0.92、リコール0.91、F1スコア0.90を上回った。この研究は、最適モデルの意思決定プロセスを解明するために、SHAP、LIME、Permutation Feature ImportanceといったXAIアプローチをさらに統合する。本研究は, 加齢が骨粗しょう症のリスク予測の主要な要因であり, ホルモン変動と家族歴が続くことを示唆している。これらの結果は臨床知識を裏付け、モデルの臨床的意義を裏付けるものである。この研究は、医療応用のための機械学習モデルにおける説明可能性の重要性を強調し、医師がシステムの予測に依存することを保証している。このレポートは最終的に、様々な集団にわたる検証や、予測精度を高めるための補助バイオマーカーの統合など、さらなる研究の方向性を提唱する。

関連論文リスト

Enhancing stroke disease classification through machine learning models via a novel voting system by feature selection techniques [1.2302586529345994]
心臓病は世界中で致死率と死亡率の主要な原因である。我々は,心臓病の分類を高度化するための特徴選択技術を備えた新しい投票システムを開発した。 XGBoostは、99%の精度、F1スコア、98%のリコール、100%のROC AUCを達成した。
論文参考訳（メタデータ） (2025-04-01T07:16:49Z)
Machine Learning-Based Model for Postoperative Stroke Prediction in Coronary Artery Disease [0.0]
本研究では,術後脳卒中リスクを評価するための高度な機械学習予測モデルを開発し,評価することを目的とする。データセットには70%のトレーニングと30%のテストがあり、数値は正規化され、カテゴリ変数は1ホットエンコードされた。ロジスティック回帰、XGBoost、SVM、CatBoostは予測モデルに使われ、SHAP分析は各変数のストロークリスクを評価した。
論文参考訳（メタデータ） (2025-03-15T02:50:32Z)
A Foundational Generative Model for Breast Ultrasound Image Analysis [42.618964727896156]
基礎モデルは臨床現場で様々な課題に対処するための強力なツールとして登場した。乳房超音波検査に特化して設計された最初の基礎的生成モデルであるBUSGenについて述べる。 BUSGenは、数ショットの適応で、現実的で情報に富んだタスク固有のデータのリポジトリを生成することができる。
論文参考訳（メタデータ） (2025-01-12T16:39:13Z)
Advancements In Heart Disease Prediction: A Machine Learning Approach For Early Detection And Risk Assessment [0.0]
本稿では,臨床データを用いた心疾患のリスク予測における機械学習モデルの役割,関連性,効率性を理解し,評価し,分析する。 Support Vector Machine (SVM) は91.51%の精度を示し、予測能力の観点から評価されたモデル間にその優位性を確認している。
論文参考訳（メタデータ） (2024-10-16T22:32:19Z)
Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文参考訳（メタデータ） (2024-10-06T18:46:28Z)
Optimizing Mortality Prediction for ICU Heart Failure Patients: Leveraging XGBoost and Advanced Machine Learning with the MIMIC-III Database [1.5186937600119894]
心臓不全は世界中の何百万人もの人々に影響を与え、生活の質を著しく低下させ、高い死亡率をもたらす。広範な研究にもかかわらず、ICU患者の心不全と死亡率の関係は、完全には理解されていない。本研究は、ICD-9コードを用いて、MIMIC-IIIデータベースから18歳以上の1,177人のデータを解析した。
論文参考訳（メタデータ） (2024-09-03T07:57:08Z)
Enhanced Prediction of Ventilator-Associated Pneumonia in Patients with Traumatic Brain Injury Using Advanced Machine Learning Techniques [0.0]
外傷性脳損傷(TBI)患者の呼吸器関連肺炎(VAP)は重大な死亡リスクをもたらす。 TBI患者のVAPのタイムリーな検出と予後は、患者の予後を改善し、医療資源の負担を軽減するために重要である。我々はMIMIC-IIIデータベースを用いて6つの機械学習モデルを実装した。
論文参考訳（メタデータ） (2024-08-02T09:44:18Z)
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)
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)
Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文参考訳（メタデータ） (2021-03-19T14:13:56Z)
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)

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。