論文の概要: StackLiverNet: A Novel Stacked Ensemble Model for Accurate and Interpretable Liver Disease Detection

• arxiv url: http://arxiv.org/abs/2508.00117v1
• Date: Thu, 31 Jul 2025 19:13:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.641829
• Title: StackLiverNet: A Novel Stacked Ensemble Model for Accurate and Interpretable Liver Disease Detection
• Title（参考訳）: StackLiverNet: 正確な肝疾患検出のための新しいスタック型アンサンブルモデル
• Authors: Md. Ehsanul Haque, S. M. Jahidul Islam, Shakil Mia, Rumana Sharmin, Ashikuzzaman, Md Samir Morshed, Md. Tahmidul Huque,
• Abstract要約: StackLiverNetは、肝疾患検出タスクに適した解釈可能なスタック型アンサンブルモデルである。 このフレームワークは、高度なデータ前処理と特徴選択技術を使用して、モデルの堅牢性と予測能力を向上させる。 テスト精度は99.89%、Cohen Kappaは0.9974、AUCは0.9993で、5つの誤分類しかなかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Liver diseases are a serious health concern in the world, which requires precise and timely diagnosis to enhance the survival chances of patients. The current literature implemented numerous machine learning and deep learning models to classify liver diseases, but most of them had some issues like high misclassification error, poor interpretability, prohibitive computational expense, and lack of good preprocessing strategies. In order to address these drawbacks, we introduced StackLiverNet in this study; an interpretable stacked ensemble model tailored to the liver disease detection task. The framework uses advanced data preprocessing and feature selection technique to increase model robustness and predictive ability. Random undersampling is performed to deal with class imbalance and make the training balanced. StackLiverNet is an ensemble of several hyperparameter-optimized base classifiers, whose complementary advantages are used through a LightGBM meta-model. The provided model demonstrates excellent performance, with the testing accuracy of 99.89%, Cohen Kappa of 0.9974, and AUC of 0.9993, having only 5 misclassifications, and efficient training and inference speeds that are amenable to clinical practice (training time 4.2783 seconds, inference time 0.1106 seconds). Besides, Local Interpretable Model-Agnostic Explanations (LIME) are applied to generate transparent explanations of individual predictions, revealing high concentrations of Alkaline Phosphatase and moderate SGOT as important observations of liver disease. Also, SHAP was used to rank features by their global contribution to predictions, while the Morris method confirmed the most influential features through sensitivity analysis.
• Abstract（参考訳）: 肝疾患は世界でも深刻な健康上の問題であり、患者の生存率を高めるためには、正確かつタイムリーな診断が必要である。 現在の文献では、肝疾患を分類するために多くの機械学習とディープラーニングモデルを実装しているが、そのほとんどは、高い誤分類誤り、解釈可能性の低下、計算費用の禁止、優れた前処理戦略の欠如など、いくつかの問題があった。 これらの欠点に対処するため,本研究ではStackLiverNetを導入した。 このフレームワークは、高度なデータ前処理と特徴選択技術を使用して、モデルの堅牢性と予測能力を向上させる。 ランダムアンダーサンプリングは、クラス不均衡に対処し、トレーニングをバランスよくするために行われる。 StackLiverNetは、いくつかのハイパーパラメータ最適化ベース分類器のアンサンブルであり、その補完的な利点はLightGBMメタモデルを通じて使われる。 試験精度は99.89%、コーエンカッパは0.9974、AUCは0.9993で、5つの誤分類しか持たず、効果的なトレーニングと推論速度が臨床訓練に有効である(トレーニング時間4.2783秒、推論時間0.1106秒)。 さらに, 局所的解釈型モデル非依存的説明法 (LIME) を用いて, 個々の予測の透過的な説明を行い, アルカリホスファターゼと中程度のSGOTの高濃度を肝疾患の重要観察として明らかにした。 また、SHAPは予測へのグローバルな貢献によって特徴のランク付けに用いられ、モリス法は感度解析により最も影響力のある特徴を確認した。

関連論文リスト

• An Explainable AI-Enhanced Machine Learning Approach for Cardiovascular Disease Detection and Risk Assessment [0.0]
  心臓病は依然として世界的な健康上の問題である。 従来の診断方法では、心臓病のリスクを正確に特定し、管理することができない。 機械学習は、心臓疾患の診断の正確性、効率、スピードを大幅に向上させる可能性がある。
  論文  参考訳（メタデータ） (2025-07-15T10:38:38Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Improving Chronic Kidney Disease Detection Efficiency: Fine Tuned CatBoost and Nature-Inspired Algorithms with Explainable AI [0.0]
  慢性腎臓病(英: chronic Kidney Disease、CKD)は、世界中の何百万人もの人に影響を与え、死亡率を上昇させている世界的な健康問題である。 本研究では、ランダムフォレスト(RF)、マルチ層パーセプトロン(MLP)、ロジスティック回帰(LR)、微調整されたCatBoostアルゴリズムの4つのモデルを評価することにより、CKD検出を改善するための高度な機械学習手法を提案する。 提案したCatBoostモデルは、Simulated Annealingのような自然にインスパイアされたアルゴリズムを使用して、最も重要な機能を選択する。
  論文  参考訳（メタデータ） (2025-04-05T19:41:47Z)
• Unified dimensionality reduction techniques in chronic liver disease detection [0.5242869847419834]
  本研究では,多くの機械学習アルゴリズムについて検討した。 本研究の主な焦点は, 583名の患者の医療記録を含む, このデータセットである。 検索は、カスタマイズされた特徴抽出と次元削減方法の選択と使用に関する重要な新しい視点を提供する。
  論文  参考訳（メタデータ） (2024-12-30T18:35:02Z)
• DiffuPT: Class Imbalance Mitigation for Glaucoma Detection via Diffusion Based Generation and Model Pretraining [1.8218878957822688]
  緑内障は、視神経頭の構造的損傷と視野の機能的変化を特徴とする進行性視神経症である。 本研究では, 緑内障の診断, 特に合成データ生成によるクラス不均衡に対処するために, 生成的枠組みを用いている。
  論文  参考訳（メタデータ） (2024-12-04T17:39:44Z)
• 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)
• Fairly Predicting Graft Failure in Liver Transplant for Organ Assigning [61.30094367351618]
  肝移植は肝疾患に対して必要不可欠な治療法である。 機械学習モデルは不公平であり、特定のグループに対する偏見を引き起こす可能性がある。 本研究は,肝移植における移植不全予測を目的とした,公正な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-18T18:24:58Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• An interpretable imbalanced semi-supervised deep learning framework for improving differential diagnosis of skin diseases [8.120827875780382]
  本稿では,多種性インテリジェント皮膚診断フレームワーク(ISDL)の解釈可能性と非バランス半教師あり学習に関する最初の研究について述べる。 ISDLは0.979の精度,0.975の感度,0.973の特異度,0.974のマクロF1スコア,およびマルチラベル皮膚疾患分類における0.999の受信操作特性曲線(AUC)以下の領域を有望な性能で達成した。
  論文  参考訳（メタデータ） (2022-11-20T03:33:33Z)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• 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。