論文の概要: Machine Learning Classification of Cryopathy Syndromes: A Comprehensive Comparative Study

• arxiv url: http://arxiv.org/abs/2606.20874v1
• Date: Thu, 18 Jun 2026 19:05:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 12:21:14.303512
• Title: Machine Learning Classification of Cryopathy Syndromes: A Comprehensive Comparative Study
• Title（参考訳）: 機械学習によるクライオパシー症候群の分類 : 総合的比較研究
• Authors: Nataliya Shakhovska, Valentyna Chopyak, Ivan Izonin, Vira Haievska,
• Abstract要約: クリオパシー症候群は、診断カテゴリーにまたがる実験室のパターンが重複するため、分類が困難である。 本研究の目的は,凍結症症候群の自動分類のための機械学習手法を開発し,比較することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cryopathy syndromes are difficult to classify because laboratory patterns often overlap across diagnostic categories, while some diagnoses are rare. This makes routine interpretation of cryoglobulin-related tests challenging and increases dependence on expert judgment. The aim of this study was to develop and compare machine learning approaches for automated classification of cryopathy syndromes from laboratory data and to identify a practical strategy for clinical decision support. Methods: We analysed laboratory records from 2,686 patients assigned to 14 diagnostic categories. The dataset included demographic variables, cryoglobulin measurements, precipitation tests, and hemagglutinin and hemolysin titers. Data preprocessing included cleaning, encoding, imputation, normalization, and construction of clinically informed interaction features. We evaluated 12 modelling strategies, including Random Forest, Gradient Boosted Trees, Multi-Layer Perceptron, soft-voting ensembles, class balancing with Synthetic Minority Over-sampling Technique, hierarchical classification, period-aware models, targeted binary classifiers, and probability calibration. Performance was assessed using stratified train-test evaluation and stratified 5-fold cross-validation. The main metrics were macro-averaged F1 score, accuracy, Top-3 accuracy, and expected calibration error. The overall task proved difficult because of marked class imbalance and clinical overlap between diagnoses. The best multiclass performance was achieved by a soft-voting ensemble of Random Forest and Gradient Boosted Trees. Cross-validation confirmed stable performance for the balanced Random Forest model. Tree-based methods consistently outperformed the neural network model. Feature engineering improved discrimination, and the most informative predictors were derived cryoglobulin-based interaction features.
• Abstract（参考訳）: 臨床検査のパターンは診断のカテゴリーによって重複することが多いが、いくつかの診断は稀である。 これにより、クリオグロブリン関連試験の定期的な解釈が困難となり、専門家の判断への依存が増大する。 本研究の目的は,臨床検査データから凍結症症候群を自動分類するための機械学習手法を開発し,比較し,臨床診断支援のための実践的戦略を明らかにすることである。 方法:14の診断カテゴリーに割り当てられた2,686人の検査記録を分析した。 データセットには、人口統計変数、凍結グロブリン測定、降水試験、ヘマグルチニンとヘモリシンチッターが含まれていた。 データ前処理には、クリーニング、エンコーディング、インプット、正規化、臨床情報による相互作用機能の構築が含まれていた。 我々はランダムフォレスト、グラディエントブーストツリー、マルチ層パーセプトロン、ソフトボッティングアンサンブル、シンセティックマイノリティオーバーサンプリング技術を用いたクラスバランス、階層分類、周期認識モデル、ターゲットバイナリ分類器、確率キャリブレーションを含む12のモデリング戦略を評価した。 層状化試験および層状化5倍クロスバリデーションによる性能評価を行った。 主な指標は、マクロ平均F1スコア、精度、Top-3精度、期待校正誤差である。 集団不均衡と診断の重複が顕著であったため, 全体的な課題は困難であった。 最高のマルチクラスパフォーマンスは、ランダムフォレストとグラディエントブーストツリーのソフトボーティングアンサンブルによって達成された。 クロスバリデーションはバランスの取れたランダムフォレストモデルの安定した性能を確認した。 木に基づく手法は、ニューラルネットワークモデルよりも一貫して優れていた。 特徴工学により識別が向上し、最も有意義な予測因子は低温グロブリンをベースとした相互作用特徴である。

関連論文リスト

• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Comparison of Machine Learning Classification Algorithms and Application to the Framingham Heart Study [0.0]
  医療における機械学習アルゴリズムの使用は、社会的不正と健康上の不平等を増幅することができる。 本研究は,機械学習分類アルゴリズムの開発と展開後における一般化可能性障害に関するものである。
  論文  参考訳（メタデータ） (2024-02-22T22:49:35Z)
• An Evaluation of Machine Learning Approaches for Early Diagnosis of Autism Spectrum Disorder [0.0]
  自閉症スペクトラム障害(Autistic Spectrum disorder、ASD)は、社会的相互作用、コミュニケーション、反復活動の困難を特徴とする神経疾患である。 本研究は,診断プロセスの強化と自動化を目的として,多様な機械学習手法を用いて重要なASD特性を同定する。
  論文  参考訳（メタデータ） (2023-09-20T21:23:37Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Achieving Reliable and Fair Skin Lesion Diagnosis via Unsupervised Domain Adaptation [43.1078084014722]
  教師なしドメイン適応(UDA)は、信頼性の高い分類器を開発するために、大きな外部データセットを統合することができる。 UDAは少数派に対する偏見を効果的に軽減し、診断システムの公平性を高めることができる。
  論文  参考訳（メタデータ） (2023-07-06T17:32:38Z)
• Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
  CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。 本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。 結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
  論文  参考訳（メタデータ） (2022-04-18T13:31:53Z)
• RA-GCN: Graph Convolutional Network for Disease Prediction Problems with Imbalanced Data [47.00510780034136]
  クラス不均衡は疾患予測の分野でよく知られた問題である。 本稿では,グラフベースの分類器の性能を高めるために,Re-weighted Adversarial Graph Convolutional Network (RA-GCN)を提案する。 本研究では,ra-gcnの合成および3種類の医療用データセットに対する優越性を示す。
  論文  参考訳（メタデータ） (2021-02-27T14:06:27Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• An Extensive Study on Cross-Dataset Bias and Evaluation Metrics Interpretation for Machine Learning applied to Gastrointestinal Tract Abnormality Classification [2.985964157078619]
  GI領域における疾患の自動解析は、コンピュータ科学や医学関連雑誌でホットな話題となっている。 クロスデータセットによる評価指標と機械学習モデルの明確な理解は、この分野の研究を新たな品質レベルに導くために不可欠である。 16種類のGIトラクタ条件を分類できる5つの異なる機械学習モデルの包括的評価を行う。
  論文  参考訳（メタデータ） (2020-05-08T08:59:31Z)

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。