論文の概要: MS-MLB: An Open Machine Learning Benchmark for Blood-Based MS Classification

• arxiv url: http://arxiv.org/abs/2608.05196v1
• Date: Tue, 04 Aug 2026 11:20:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.627971
• Title: MS-MLB: An Open Machine Learning Benchmark for Blood-Based MS Classification
• Title（参考訳）: MS-MLB: 血液ベースのMS分類のためのオープン機械学習ベンチマーク
• Authors: Adam Simson, Ankush Dutta, Quang Bui,
• Abstract要約: MS-MLBは、全血液RNA発現データから機械学習に基づくMS研究分類のための再現可能なベンチマークである。 評価には、ネストクロスバリデーション、未タッチの階層化ホールトアウトセット、ブートストラップ信頼区間、ROCと高精度リコール分析、キャリブレーション測定、探索MSリサーチスコアが含まれる。 最後のベンチマークの要約で、グラディエント・ブースティングは、MSリサーチスコアが93.83、AUC-ROCが0.989、感度が0.950、特異性が0.778、F_1$スコアが0.927、ブライアスコアが0.927で、MSリサーチスコアが第1位となった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multiple sclerosis (MS) is diagnosed through clinical assessment, magnetic resonance imaging, laboratory evidence when appropriate, and exclusion of better explanations. Blood RNA expression data may contain disease associated immune signal, but a blood RNA classifier cannot be treated as a replacement for clinical diagnosis. This paper presents MS-MLB (Multiple Sclerosis Machine Learning Benchmark), a reproducible open benchmark for machine learning based MS research classification from whole blood RNA expression data. MS-MLB uses the public GSE17048 cohort, converts it into an MS versus healthy control task, and evaluates multiple algorithms under a shared, leakage controlled pipeline that a researcher can rerun without reconfiguring the evaluation. The evaluation includes nested cross-validation, an untouched stratified holdout set, bootstrap confidence intervals, ROC and precision recall analysis, calibration measurement, and an exploratory MS Research Score. In the final benchmark summary, Gradient Boosting ranked first by MS Research Score on the holdout set, with an MS Research Score of 93.83, AUC-ROC of 0.989, sensitivity of 0.950, specificity of 0.778, $F_{1}$ score of 0.927, and Brier score of 0.050. Prior studies have applied machine learning to MS blood transcriptomic data, including PBMC stage classification and whole blood diagnostic signature modeling. The contribution here is different and narrower. To our knowledge, MS-MLB is the first open benchmark focused on MS versus healthy control classification from GSE17048 whole blood RNA expression data with a documented external model submission pathway built into the framework. The score is intended for research comparison only and has not been clinically validated. The benchmark is accessible here: https://github.com/duckyquang/MS-MLB.
• Abstract（参考訳）: 多発性硬化症 (Multiple sclerosis, MS) は, 臨床評価, 磁気共鳴画像, 適切な検査結果, より良い説明を除外することによって診断される。 血液RNA発現データは疾患関連免疫シグナルを含む可能性があるが、血液RNA分類器は臨床診断の代替として扱うことはできない。 本稿では,MS-MLB (Multiple Sclerosis Machine Learning Benchmark) について述べる。 MS-MLBは、公開のGSE17048コホートを使用し、MS対健全な制御タスクに変換し、研究者が評価を再設定することなく再実行できる共有リーク制御パイプラインの下で複数のアルゴリズムを評価する。 評価には、ネストクロスバリデーション、未タッチの階層化ホールトアウトセット、ブートストラップ信頼区間、ROCと高精度リコール分析、キャリブレーション測定、探索MSリサーチスコアが含まれる。 最終ベンチマークの要約で、グラディエント・ブースティングは、MSリサーチスコアが93.83、AUC-ROCが0.989、感度が0.950、特異性が0.778、F_{1}$スコアが0.927、ブライアスコアが0.050である。 これまでの研究では、PBMCステージ分類や全血液診断シグネチャモデリングを含む、MS血液トランスクリプトームデータに機械学習を適用してきた。 ここでの貢献は様々で、より狭くなっている。 我々の知る限り、MS-MLBはGSE17048の血液RNA発現データからMSと健康管理の分類に焦点を絞った最初のオープンベンチマークである。 このスコアは研究比較のみを目的としており、臨床的に検証されていない。 ベンチマークは以下の通りである。 https://github.com/duckyquang/MS-MLB。

関連論文リスト

• CaresAI at SMM4H-HeaRD 2026: Predicting TNM Staging [2.7998963147546143]
  本研究は,SMM4H-HeaRD 2026の6番目の共有タスクとして癌ゲノムアトラス(TCGA)を報告し,腫瘍,リンパ節,転移(TNM)ステージラベルを独立に予測することを目的としている。 本稿では,TF-IDF(Term Frequency-Inverse Document Frequency)機能を用いた古典的および深層学習のアプローチと,CeriorBERT,BioBERT,PubMedBERTの埋め込みについて検討する。 以上の結果から,TNMラベルの分類と同様の埋め込みが可能である一方で,それらの組み合わせによって予測能力が向上することが示唆された。
  論文  参考訳（メタデータ） (2026-07-03T16:25:35Z)
• Early Detection of Alzheimer's Disease Using Explainable Machine Learning on Clinical Biomarkers: A Multi-Class Classification Study Using the Alzheimer's Disease Neuroimaging Initiative (ADNI) Dataset [0.0]
  アルツハイマー病は世界中で5500万人以上に影響している。 定期的な臨床評価に基づいてトレーニングされた機械学習モデルは、ほぼ完全な3クラスアルツハイマーの検出を実現する。
  論文  参考訳（メタデータ） (2026-04-14T10:54:14Z)
• 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)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• 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)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Learning to diagnose common thorax diseases on chest radiographs from radiology reports in Vietnamese [0.33598755777055367]
  ベトナムの放射線学報告から情報を抽出し,胸部X線(CXR)画像の正確なラベルを提供するデータ収集・アノテーションパイプラインを提案する。 このことは、ベトナムの放射線学者や臨床医が、国によって異なる可能性のある内因性診断カテゴリと密接に一致したデータに注釈を付けることで、ベトナムの放射線技師や臨床医に利益をもたらす可能性がある。
  論文  参考訳（メタデータ） (2022-09-11T06:06:03Z)
• Classification of Schizophrenia from Functional MRI Using Large-scale Extended Granger Causality [0.0]
  大規模拡張グランジャー因果関係(lsxgc)は脳ネットワーク接続の変化を捉えることができる。 lsXGCは典型的なコントロールから統合失調症の患者を分類するためのバイオマーカーとして機能します。 統合失調症のバイオマーカーとしてのlsXGCの適用性について検討した。
  論文  参考訳（メタデータ） (2021-01-12T20:36:26Z)
• Multiple Sclerosis Severity Classification From Clinical Text [5.8335613930036265]
  本報告では,MIMIC以外の臨床データに基づいてトレーニングした最初の公開トランスフォーマーモデルであるMS-BERTについて述べる。 次に、MS-BERTを用いて埋め込みを生成し、EDSSと関数サブスコアを予測する分類器MSBCを提案する。 最後に、Snorkelを用いてMSBCを他のモデルと組み合わせて、競合しないコンサルティングノートのスコアを生成する方法について検討する。
  論文  参考訳（メタデータ） (2020-10-29T02:15:23Z)

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。