Fugu-MT 論文翻訳(概要): Predicting Antibiotic Resistance Patterns Using Sentence-BERT: A Machine Learning Approach

論文の概要: Predicting Antibiotic Resistance Patterns Using Sentence-BERT: A Machine Learning Approach

arxiv url: http://arxiv.org/abs/2509.14283v1
Date: Tue, 16 Sep 2025 14:43:48 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-19 17:26:52.914886
Title: Predicting Antibiotic Resistance Patterns Using Sentence-BERT: A Machine Learning Approach
Title（参考訳）: Sentence-BERTによる抗生物質耐性パターンの予測 : 機械学習によるアプローチ
Authors: Mahmoud Alwakeel, Michael E. Yarrington, Rebekah H. Wrenn, Ethan Fang, Jian Pei, Anand Chowdhury, An-Kwok Ian Wong,
Abstract要約: 抗生物質耐性は、高い死亡率を有する入院中の環境において重大な脅威となる。臨床ノートからSentence-BERT埋め込みを生成し,ニューラルネットワークとXGBoostを用いて抗生物質感受性の予測を行った。
参考スコア（独自算出の注目度）: 5.8642384220578085
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Antibiotic resistance poses a significant threat in in-patient settings with high mortality. Using MIMIC-III data, we generated Sentence-BERT embeddings from clinical notes and applied Neural Networks and XGBoost to predict antibiotic susceptibility. XGBoost achieved an average F1 score of 0.86, while Neural Networks scored 0.84. This study is among the first to use document embeddings for predicting antibiotic resistance, offering a novel pathway for improving antimicrobial stewardship.
Abstract（参考訳）: 抗生物質耐性は、高い死亡率を有する入院中の環境において重大な脅威となる。 MIMIC-IIIデータを用いて臨床ノートからSentence-BERT埋め込みを生成し,ニューラルネットワークとXGBoostを用いて抗生物質感受性の予測を行った。 XGBoostは平均F1スコア0.86、Neural Networksは0.84を記録した。本研究は, 抗生物質耐性の予測に文書埋め込みを用いた最初の試みの一つであり, 抗菌スチュワードの改善のための新しい経路を提供する。

関連論文リスト

ImmunoAI: Accelerated Antibody Discovery Using Gradient-Boosted Machine Learning with Thermodynamic-Hydrodynamic Descriptors and 3D Geometric Interface Topology [0.040782474409194726]
ヒトメタ肺炎ウイルス(hMPV)は小児、高齢者、免疫不全の集団に深刻なリスクをもたらす。従来の抗体発見パイプラインは10-12ヶ月を必要とし、急激なアウトブレイク反応に適用性を制限する。本研究は,高親和性候補を予測して抗体発見を促進する機械学習フレームワークであるImmuAIを紹介する。
論文参考訳（メタデータ） (2025-08-25T19:41:35Z)
Llama-Affinity: A Predictive Antibody Antigen Binding Model Integrating Antibody Sequences with Llama3 Backbone Architecture [2.474908349649168]
先進的な抗体-抗原結合親和性予測モデル(Llamafinity)を提案する。精度は0.9640、F1スコアは0.9643、精度は0.9702、リコールは0.9586、AUC-ROCは0.9936である。この戦略では計算効率が向上し、5倍の平均累積トレーニング時間はわずか0.46時間であった。
論文参考訳（メタデータ） (2025-05-17T20:10:54Z)
Leveraging Large Language Models to Predict Antibody Biological Activity Against Influenza A Hemagglutinin [0.15547733154162566]
インフルエンザA型ヘマグルチニン(HA)抗原に対する抗体の結合および受容体遮断活性を予測するためのAIモデルを開発した。 AUROC $geq$0.91, AUROC $geq$0.91, AUROC for unseen HAs。
論文参考訳（メタデータ） (2025-02-02T06:48:45Z)
A graph neural network-based model with Out-of-Distribution Robustness for enhancing Antiretroviral Therapy Outcome Prediction for HIV-1 [4.970653449274061]
HIV-1に対する抗レトロウイルス療法(ART)の結果を予測することは、非常に難しい臨床的課題である。完全連結(FC)ニューラルネットとグラフニューラルネット(GNN)の機能を組み合わせた新しいジョイントフュージョンモデルを提案する。グラフとして構造化されたこの知識ベースを利用することで、GNNコンポーネントはモデルが不均衡なデータ分布に適応できるようにする。
論文参考訳（メタデータ） (2023-12-29T08:02:13Z)
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)
Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文参考訳（メタデータ） (2022-12-17T23:29:14Z)
xTrimoABFold: De novo Antibody Structure Prediction without MSA [77.47606749555686]
我々は、抗体配列から抗体構造を予測するために、xTrimoABFoldという新しいモデルを開発した。 CDRにおけるドメイン特異的焦点損失のアンサンブル損失とフレーム整合点損失を最小化することにより,PDBの抗体構造をエンドツーエンドにトレーニングした。
論文参考訳（メタデータ） (2022-11-30T09:26:08Z)
Incorporating Pre-training Paradigm for Antibody Sequence-Structure Co-design [134.65287929316673]
深層学習に基づく計算抗体の設計は、人間の経験を補完する可能性のあるデータから自動的に抗体パターンをマイニングするので、注目を集めている。計算手法は高品質な抗体構造データに大きく依存しており、非常に限定的である。幸いなことに、CDRをモデル化し、構造データへの依存を軽減するために有効な抗体の配列データが多数存在する。
論文参考訳（メタデータ） (2022-10-26T15:31:36Z)
Predicting Antimicrobial Resistance in the Intensive Care Unit [5.129856875153228]
本研究は,臨床および微生物学的予測器を用いたAMRの予測モデルを開発する。培養前の抵抗を正確に予測できる能力は、臨床的な意思決定を知らせ、行動までの時間を短縮する可能性がある。
論文参考訳（メタデータ） (2021-11-05T15:50:34Z)
Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文参考訳（メタデータ） (2020-05-22T15:57:58Z)

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。