論文の概要: Ensemble of Convolutional Neural Networks for StrokePrediction: Towards Improved Diagnostic Accuracy

• arxiv url: http://arxiv.org/abs/2608.24771v1
• Date: Tue, 25 Aug 2026 16:09:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:35.093462
• Title: Ensemble of Convolutional Neural Networks for StrokePrediction: Towards Improved Diagnostic Accuracy
• Title（参考訳）: ストローク予測のための畳み込みニューラルネットワークの組み立て:診断精度の向上に向けて
• Abstract要約: 脳卒中は高い死亡率と罹患率で知られており、重大な健康リスクを引き起こす。 近年のディープラーニングの進歩は,脳卒中早期発見のための新しいコンピュータ支援診断技術につながっている。 本研究では,11つの特徴を用いて脳卒中を予測し,教師付き機械学習アルゴリズムを用いて評価する知能システムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Brain stroke, known for its high mortality and incidence rates, poses significant health risks and requires rapid intervention for survival. Early diagnosis and preventive measures can greatly reduce life loss and disabilities. Recent advancements in deep learning have led to novel computer-aided diagnostic techniques for early stroke detection. This study proposes an intelligent system that predicts potential strokes using eleven features, evaluated through seven supervised machine learning algorithms. The process includes a literature review, dataset visualization, data preprocessing, and model evaluation. Ensemble methods like Random Forest, Stacking Classifier, and Bagging Classifier achieved high accuracies of 99.52%, while Decision Tree reached 98.24%. Other models, including KNN and TabNet, demonstrated reliable performance, achieving accuracies of 96.73% and 96.49%, respectively. The custom feedforward model achieved 94.91%, while SVC and logistic regression had lower accuracies at 88.06% and 77.03%. The results highlight the effectiveness of ensemble methods in stroke classification.
• Abstract（参考訳）: 脳卒中は高い死亡率と罹患率で知られており、重大な健康リスクを生じ、生存には迅速に介入する必要がある。 早期診断と予防措置は、生命の喪失と障害を大幅に減少させる。 近年のディープラーニングの進歩は,脳卒中早期発見のための新しいコンピュータ支援診断技術につながっている。 本研究では,11つの特徴を用いて脳卒中を予測し,教師付き機械学習アルゴリズムを用いて評価する知能システムを提案する。 このプロセスには、文献レビュー、データセットの可視化、データ前処理、モデル評価が含まれる。 ランダムフォレスト、スタッキング分類器、バグ分類器などのアンサンブル法は99.52%、決定木は98.24%に達した。 KNNやTabNetなど他のモデルは信頼性の高い性能を示し、それぞれ96.73%と96.49%の精度を達成した。 カスタムフィードフォワードモデルは94.91%、SVCとロジスティック回帰は88.06%、77.03%であった。 その結果,脳卒中分類におけるアンサンブル法の有効性が示された。

関連論文リスト

• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
  脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。 健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。 我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
  論文  参考訳（メタデータ） (2025-12-01T11:03:27Z)
• Performance Analysis of Machine Learning Algorithms in Chronic Kidney Disease Prediction [2.5180274967765643]
  世界の人口の約10%は慢性腎臓病(CKD)の影響を受けていると考えられており、腎機能低下の原因となっている。 そこで本研究では,CKDの診断のための疾患予測型コンピュータ支援設計を考案し,提案した。
  論文  参考訳（メタデータ） (2025-10-10T15:54:37Z)
• Automatic Cough Analysis for Non-Small Cell Lung Cancer Detection [33.37223681850477]
  非小細胞肺癌(NSCLC)の早期発見は患者の予後改善に重要である。 本研究では,NSCLC患者と健常者との鑑別のためのスクリーニングツールとして,自動コークス分析の利用について検討する。 記録は、サポートベクタマシン(SVM)やXGBoostといった機械学習技術を用いて分析された。
  論文  参考訳（メタデータ） (2025-07-25T11:30:22Z)
• Enhancing Stroke Diagnosis in the Brain Using a Weighted Deep Learning Approach [0.0]
  脳卒中は、脳の一部への血流が破壊され、細胞死に至るときに起こる。 CTスキャンやMRIなどの従来の脳卒中診断法は費用と時間を要する。 本研究では,ランダムフォレスト,ディープラーニング,ヒストグラムに基づく勾配上昇などの分類器からの予測を組み合わせて,より効果的にストロークを予測する,重み付き投票アンサンブル(WVE)機械学習モデルを提案する。 このモデルはプライベートデータセットで94.91%の精度を達成し、早期のリスク評価と予防を可能にした。
  論文  参考訳（メタデータ） (2025-04-17T21:54:36Z)
• 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)
• Stroke Disease Classification Using Machine Learning with Feature Selection Techniques [1.6044444452278062]
  心臓病は世界中で致死率と死亡率の主要な原因である。 我々は,心臓病の分類を高度化するための特徴選択技術を備えた新しい投票システムを開発した。 XGBoostは、99%の精度、F1スコア、98%のリコール、100%のROC AUCを達成した。
  論文  参考訳（メタデータ） (2025-04-01T07:16:49Z)
• Congenital Heart Disease Classification Using Phonocardiograms: A Scalable Screening Tool for Diverse Environments [34.10187730651477]
  先天性心疾患(CHD)は早期発見を必要とする重要な疾患である。 本研究では, 心電図(PCG)信号を用いたCHD検出のための深層学習モデルを提案する。 バングラデシュの一次データセットを含むいくつかのデータセットで、我々のモデルを評価した。
  論文  参考訳（メタデータ） (2025-03-28T05:47:44Z)
• Urinary Tract Infection Detection in Digital Remote Monitoring: Strategies for Managing Participant-Specific Prediction Complexity [43.108040967674185]
  尿路感染症(UTIs)は特に認知症(PLWD)の患者にとって重要な健康上の問題である この研究は、PLWDのUTIを検出する機械学習(ML)を利用した以前の研究に基づいている。
  論文  参考訳（メタデータ） (2025-02-18T12:01:55Z)
• Artificial Intelligence (AI) Based Prediction of Mortality, for COVID-19 Patients [0.0]
  重篤な新型コロナウイルス患者に対しては、高リスク患者を特定し、生存とICU(ICU)の必要性を予測することが重要である。 本研究では,9つの機械学習アルゴリズムと2つの広く使われている特徴選択法を組み合わせたディープラーニングアルゴリズムの性能について検討した。 LSTMは最終状態とICU要件を90%, 92%, 86%, 95%の精度, 感度, 特異度, AUCで予測した。
  論文  参考訳（メタデータ） (2024-03-28T12:11:29Z)
• 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)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Multimodal Inductive Transfer Learning for Detection of Alzheimer's Dementia and its Severity [39.57255380551913]
  本稿では,音響的,認知的,言語的特徴を活用してマルチモーダルアンサンブルシステムを構築する新しいアーキテクチャを提案する。 時相特性を持つ特殊な人工ニューラルネットワークを使用して、アルツハイマー認知症(AD)とその重症度を検出する。 本システムでは,AD分類では最先端試験精度,精度,リコール,F1スコアが83.3%,MMSEスコア評価では4.60の最先端試験根平均二乗誤差(RMSE)が得られた。
  論文  参考訳（メタデータ） (2020-08-30T21:47:26Z)

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。