論文の概要: Enhancing Type 2 Diabetes Diagnosis with Evolutionary Algorithms and Machine Learning

• arxiv url: http://arxiv.org/abs/2610.34123v1
• Date: Sun, 25 Oct 2026 07:44:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.539732
• Title: Enhancing Type 2 Diabetes Diagnosis with Evolutionary Algorithms and Machine Learning
• Title（参考訳）: 進化的アルゴリズムと機械学習による2型糖尿病診断の強化
• Abstract要約: SMOTE-ENN法は、まずPima Indians Diabetes Databaseに適用され、クラス不均衡を補正し、ノイズやあいまいなサンプルを除去した。 この改良データセットでトレーニングされた最適化モデルは、精度89%、精度88%、リコール90%、スコア89%を達成した。
• 参考スコア（独自算出の注目度）: 1.1744028458220428
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Type 2 diabetes is a widespread chronic disease that requires early and accurate diagnosis to prevent serious complications. Traditional diagnostic methods often lack sufficient accuracy, which highlights the need for more reliable computational solutions. In this study, we propose a model that integrates the Random Forest classifier with the Bat Optimization Algorithm for simultaneous feature selection and hyperparameter tuning. The SMOTE-ENN method was first applied to the Pima Indians Diabetes Database to correct class imbalance and remove noisy or ambiguous samples, producing a more balanced and cleaner dataset. The optimized model trained on this refined dataset achieved 89% accuracy, 88% precision, 90% recall, and an F1-score of 89%, clearly outperforming the baseline Random Forest and other existing approaches. These results demonstrate the potential of combining evolutionary algorithms with ensemble learning to provide a practical and cost-effective tool for early detection of type 2 diabetes in clinical practice.
• Abstract（参考訳）: 2型糖尿病は、深刻な合併症を防ぐために早期かつ正確な診断を必要とする広範な慢性疾患である。 従来の診断手法には十分な精度が欠けることが多く、より信頼性の高い計算ソリューションの必要性を強調している。 本研究では,ランダムフォレスト分類器とバット最適化アルゴリズムを統合し,特徴選択とハイパーパラメータチューニングを同時に行うモデルを提案する。 SMOTE-ENN法は最初にPima Indians Diabetes Databaseに適用され、クラス不均衡を修正し、ノイズやあいまいなサンプルを除去し、よりバランスよくクリーンなデータセットを生成する。 この改良データセットでトレーニングされた最適化されたモデルは、精度89%、精度88%、リコール90%、F1スコア89%を達成し、ベースラインのランダムフォレストや他の既存のアプローチよりも明らかに優れていた。 これらの結果は, 臨床における2型糖尿病の早期発見のための実用的で費用対効果の高いツールとして, 進化的アルゴリズムとアンサンブル学習を組み合わせる可能性を示している。

関連論文リスト

• An Improved Ensemble-Based Machine Learning Model with Feature Optimization for Early Diabetes Prediction [0.0]
  糖尿病は世界中で深刻な健康問題であり、早期発見に依存している。 広範囲にわたる健康調査データを用いて、正確かつ理解可能な糖尿病分類のための機械学習フレームワークを作成する。 本研究では,早期糖尿病予測をサポートするために,Python Flaskバックエンドを備えたReact Nativeベースのアプリケーションを提案し,開発した。
  論文  参考訳（メタデータ） (2025-11-15T07:42:31Z)
• Validating Vision Transformers for Otoscopy: Performance and Data-Leakage Effects [42.465094107111646]
  本研究では、耳疾患の診断精度を高めるために、視覚トランスモデル、特にスウィントランスモデルの有効性を評価する。 この研究はチリ大学臨床病院の耳鼻咽喉科の実際のデータセットを利用した。
  論文  参考訳（メタデータ） (2025-11-06T23:20:37Z)
• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• Predicting Diabetes Using Machine Learning: A Comparative Study of Classifiers [0.0]
  糖尿病は世界中で重要な健康上の課題であり、腎臓病、視力喪失、心臓病などの深刻な合併症に寄与している。 本研究は,従来のML技術と高度なアンサンブル手法の両方を活用する,革新的な糖尿病予測フレームワークを提案する。 我々のアプローチの中心は、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)レイヤを組み合わせたハイブリッドアーキテクチャであるDNetの開発である。
  論文  参考訳（メタデータ） (2025-05-11T16:14:31Z)
• Early detection of diabetes through transfer learning-based eye (vision) screening and improvement of machine learning model performance and advanced parameter setting algorithms [0.0]
  糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病の重篤な合併症である。 従来の糖尿病診断法では、網膜画像から視覚的特徴を抽出するために畳み込みニューラルネットワーク(CNN)を用いることが多い。 本研究では,DR検出におけるMLモデル性能向上のための伝達学習(TL)の適用について検討する。
  論文  参考訳（メタデータ） (2025-04-04T13:30:21Z)
• 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)
• Efficient Precision Control in Object Detection Models for Enhanced and Reliable Ovarian Follicle Counting [37.9434503914985]
  機械学習の大きな課題は、高いリコールを可能にしながら予測の精度を制御することである。 標準的なPrecision-Recallトレードオフを解決するために、オーバーパフォーマンスな方法を提供する複数のテスト手順を使用します。 モデルに依存しないので、この文脈選択手順は、再トレーニングすることなく、任意のモデルの性能を向上させる戦略の開発への道を開く。
  論文  参考訳（メタデータ） (2025-01-23T19:04:47Z)
• An Integrated Deep Learning Model for Skin Cancer Detection Using Hybrid Feature Fusion Technique [2.621434923709917]
  皮膚がんはDNA損傷によって引き起こされる重篤で致命的な病気である。 本研究では,皮膚病変の正確な分類を実現するための,Deep Learning(DL)に基づくハイブリッドフレームワークを提案する。 我々は92.27%の精度、92.33%の感度、92.22%の特異性、90.81%の精度、91.57%のF1スコアを達成する。
  論文  参考訳（メタデータ） (2024-10-18T14:19:13Z)
• Interpretable cancer cell detection with phonon microscopy using multi-task conditional neural networks for inter-batch calibration [39.759100498329275]
  本稿では,バッチ間キャリブレーションを同時に実現する条件付きニューラルネットワークフレームワークを提案する。 異なる実験バッチをトレーニングし、検証することで、我々のアプローチを検証する。 このモデルを拡張して, 診断信号の再構成を行い, 疾患状態を示す有能な特徴の物理的解釈を可能にした。
  論文  参考訳（メタデータ） (2024-03-26T12:20:10Z)
• Prognosis and Treatment Prediction of Type-2 Diabetes Using Deep Neural Network and Machine Learning Classifiers [1.1470070927586016]
  本研究の動作は,7つの機械学習分類器と,糖尿病の検出と治療を高精度に予測するためのニューラルネットワーク手法の比較研究である。 トレーニングとテストデータセットは9483人の糖尿病患者の情報を蓄積したものです。 私たちのハイパフォーマンスモデルは、糖尿病を予測し、より正確な予測モデルの研究を促進するために病院によって利用できます。
  論文  参考訳（メタデータ） (2023-01-08T19:10:20Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)

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。