論文の概要: Predicting Diabetes Using Machine Learning: A Comparative Study of Classifiers

• arxiv url: http://arxiv.org/abs/2505.07036v1
• Date: Sun, 11 May 2025 16:14:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.173982
• Title: Predicting Diabetes Using Machine Learning: A Comparative Study of Classifiers
• Title（参考訳）: 機械学習を用いた糖尿病予測 : 分類器の比較検討
• Authors: Mahade Hasan, Farhana Yasmin,
• Abstract要約: 糖尿病は世界中で重要な健康上の課題であり、腎臓病、視力喪失、心臓病などの深刻な合併症に寄与している。 本研究は,従来のML技術と高度なアンサンブル手法の両方を活用する,革新的な糖尿病予測フレームワークを提案する。 我々のアプローチの中心は、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)レイヤを組み合わせたハイブリッドアーキテクチャであるDNetの開発である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diabetes remains a significant health challenge globally, contributing to severe complications like kidney disease, vision loss, and heart issues. The application of machine learning (ML) in healthcare enables efficient and accurate disease prediction, offering avenues for early intervention and patient support. Our study introduces an innovative diabetes prediction framework, leveraging both traditional ML techniques such as Logistic Regression, SVM, Na\"ive Bayes, and Random Forest and advanced ensemble methods like AdaBoost, Gradient Boosting, Extra Trees, and XGBoost. Central to our approach is the development of a novel model, DNet, a hybrid architecture combining Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) layers for effective feature extraction and sequential learning. The DNet model comprises an initial convolutional block for capturing essential features, followed by a residual block with skip connections to facilitate efficient information flow. Batch Normalization and Dropout are employed for robust regularization, and an LSTM layer captures temporal dependencies within the data. Using a Kaggle-sourced real-world diabetes dataset, our model evaluation spans cross-validation accuracy, precision, recall, F1 score, and ROC-AUC. Among the models, DNet demonstrates the highest efficacy with an accuracy of 99.79% and an AUC-ROC of 99.98%, establishing its potential for superior diabetes prediction. This robust hybrid architecture showcases the value of combining CNN and LSTM layers, emphasizing its applicability in medical diagnostics and disease prediction tasks.
• Abstract（参考訳）: 糖尿病は世界中で重要な健康上の課題であり、腎臓病、視力喪失、心臓病などの深刻な合併症に寄与している。 医療における機械学習(ML)の適用は、早期介入のための道と患者支援を提供する、効率的で正確な疾患予測を可能にする。 本研究では,ロジスティック回帰,SVM,Na\"ive Bayes,ランダムフォレストといった従来のML手法と,AdaBoost,Gradient Boosting,Extra Trees,XGBoostといった高度なアンサンブル手法を併用した,革新的な糖尿病予測フレームワークを提案する。 我々のアプローチの中心は、効率的な特徴抽出と逐次学習のために畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドアーキテクチャであるDNetの開発である。 DNetモデルは、重要な特徴をキャプチャするための初期畳み込みブロックと、効率的な情報フローを容易にするスキップ接続を備えた残留ブロックとから構成される。 バッチ正規化とドロップアウトは堅牢な正規化に使用され、LSTM層はデータ内の時間的依存関係をキャプチャする。 カグルソースのリアルタイム糖尿病データセットを用いて、我々のモデル評価は、クロスバリデーション精度、精度、リコール、F1スコア、ROC-AUCにまたがる。 DNetの精度は99.79%、AUC-ROCは99.98%であり、優れた糖尿病予測の可能性を証明している。 この堅牢なハイブリッドアーキテクチャは、CNN層とLSTM層を組み合わせることの価値を示し、その医療診断や疾患予測タスクへの適用性を強調している。

関連論文リスト

• Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data [45.75724873443564]
  ドメインシフトは、糖尿病網膜症などの臨床応用において重要な課題である。 本稿では,データ中心の観点から適応可能なGUES(Generative Unadversarial Examples)を提案する。
  論文  参考訳（メタデータ） (2024-12-02T07:14:25Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Federated Diabetes Prediction in Canadian Adults Using Real-world Cross-Province Primary Care Data [0.04090757602725897]
  本稿では,集中型データストレージや処理を使わずに予測モデルを統合化することで,プライバシの問題を回避するためのフェデレーション学習手法を提案する。 これは、カナダプライマリケアセンチネル監視ネットワーク(CPCSSN)から抽出された実際の臨床データセットを使用して、患者データを共有することなく糖尿病を予測するためのフェデレーションラーニングの最初の応用である。
  論文  参考訳（メタデータ） (2024-08-21T22:47:21Z)
• Comparative Analysis of LSTM Neural Networks and Traditional Machine Learning Models for Predicting Diabetes Patient Readmission [0.0]
  本研究はDiabetes 130-US Hospitalsデータセットを用いて,各種機械学習モデルによる寛解患者の分析と予測を行う。 LightGBMは、XGBoostが首位だったのに対して、従来のモデルとしてはベストだった。 本研究は,予測医療モデリングにおいて,モデル選択,検証,解釈可能性が重要なステップであることを示す。
  論文  参考訳（メタデータ） (2024-06-28T15:06:22Z)
• DiabetesNet: A Deep Learning Approach to Diabetes Diagnosis [6.095029229301643]
  3つのデータセットの実験結果は、従来の手法と比較して、全体的な精度、感度、特異性を大幅に改善したことを示している。 このことは、堅牢な糖尿病診断のためのディープラーニングモデルの可能性を示している。
  論文  参考訳（メタデータ） (2024-03-12T10:18:59Z)
• 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)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Machine Learning based prediction of Glucose Levels in Type 1 Diabetes Patients with the use of Continuous Glucose Monitoring Data [0.0]
  連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)デバイスは、患者の血糖値に関する詳細な、非侵襲的でリアルタイムな洞察を提供する。 将来のグルコースレベルの予測方法としての高度な機械学習(ML)モデルを活用することで、生活改善の実質的な品質がもたらされる。
  論文  参考訳（メタデータ） (2023-02-24T19:10:40Z)
• Model-Based Reinforcement Learning for Type 1Diabetes Blood Glucose Control [0.0]
  本研究では,1型糖尿病患者のインスリン摂取量決定を支援するためのモデルベース強化学習について検討した。 提案アーキテクチャは、複数のEcho State Networksで構成され、計画のためのモデル予測コントローラと組み合わせて血糖値を予測する。
  論文  参考訳（メタデータ） (2020-10-13T10:17:30Z)

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。