論文の概要: Fuzzy-Enhanced Machine Learning Approach for Type 2 Diabetes Diagnosis

• arxiv url: http://arxiv.org/abs/2611.02188v1
• Date: Sun, 01 Nov 2026 20:33:39 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:12:44.358088
• Title: Fuzzy-Enhanced Machine Learning Approach for Type 2 Diabetes Diagnosis
• Title（参考訳）: 2型糖尿病診断のためのファジィ強化機械学習アプローチ
• Abstract要約: 本研究は,2型糖尿病予測のためのより差別的な特徴空間を明らかにするために,ファジィ・進化型アンサンブル・フレームワークを確立する。 このフレームワークは拡張されたファジィ数空間を最適化された10個の部分集合に圧縮し、かなりの性能向上をもたらす。 ベースラインのランダムフォレスト(Random Forest)が16の機能を全て使用したのに対して、システムはF1スコアの1.6倍以上の改善を実現している。
• 参考スコア（独自算出の注目度）: 1.5469452301122175
• License:
• Abstract: Accurate diabetes prediction is critical for early clinical intervention, yet existing machine-learning pipelines often fail due to class imbalance, noisy physiological measurements, and redundant or weakly informative features. To address these unresolved limitations, this study establishes a unified fuzzy-evolutionary-ensemble framework designed to uncover a more discriminative feature space for type 2 diabetes prediction. The workflow integrates selective fuzzification of nonlinear clinical variables, SMOTE-ENN-based balancing and noise filtering, and Bat-Algorithm-driven evolutionary feature selection prior to training a Random Forest classifier. Applied to the Pima Indians Diabetes Dataset, the framework compresses the expanded fuzzy-numerical space into an optimized 10-feature subset and yields substantial performance gains: 96.11% accuracy, 95.14% precision, 98.00% recall, and a 98.23% F1-score. Relative to a baseline Random Forest using all 16 features (74.45% accuracy; 59.86% F1), the system achieves more than a 1.6-fold improvement in F1-score while preserving over 99% stability in majority-class detection and surpassing earlier published 16-feature models impacted by imbalance and weak feature relevance. Collectively, these results demonstrate that the integrated pipeline produces an enhanced fuzzy-numerical representation space that improves diabetes risk stratification and provides a scalable, uncertainty-aware foundation for diagnostic modeling across broader clinical datasets.
• Abstract（参考訳）: 正確な糖尿病予測は早期臨床介入に不可欠であるが、既存の機械学習パイプラインは、クラス不均衡、ノイズのある生理的測定、冗長または弱い情報的特徴のために失敗することが多い。 このような未解決の限界に対処するため,本研究では,2型糖尿病予測のためのより差別的な特徴空間を明らかにするために,統合されたファジィ・進化・アンサンブル・フレームワークを確立する。 このワークフローは、非線形臨床変数の選択的ファジフィケーション、SMOTE-ENNベースのバランシングとノイズフィルタリング、およびランダムフォレスト分類器をトレーニングする前に、Bat-Algorithm駆動の進化的特徴選択を統合する。 ピマ・インディアンズ・ダイアベテス・データセットに適用されたこのフレームワークは、拡張されたファジィ数値空間を最適化された10個のサブセットに圧縮し、96.11%の精度、95.14%の精度、98.00%のリコール、98.23%のF1スコアの大幅な性能向上をもたらす。 16の全ての特徴(74.45%の精度、59.86%のF1)をベースラインのランダムフォレストと比較すると、このシステムはF1スコアの1.6倍以上の改善を達成し、多数派検出では99%以上の安定性を維持し、不均衡と弱い特徴関連性によって影響された初期の16機能モデルを上回っている。 これらの結果は、統合パイプラインが拡張されたファジィ数表現空間を生成し、糖尿病リスクの階層化を改善し、広範囲な臨床データセットにわたる診断モデリングのためのスケーラブルで不確実性を考慮した基盤を提供することを示した。

関連論文リスト

• Enhancing Type 2 Diabetes Diagnosis with Evolutionary Algorithms and Machine Learning [1.1744028458220428]
  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。
  論文  参考訳（メタデータ） (2026-10-25T07:44:21Z)
• 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)
• 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)
• 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)
• Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data [45.75724873443564]
  ドメインシフトは、糖尿病網膜症などの臨床応用において重要な課題である。 本稿では,データ中心の観点から適応可能なGUES(Generative Unadversarial Examples)を提案する。
  論文  参考訳（メタデータ） (2024-12-02T07:14:25Z)
• Improving Machine Learning Based Sepsis Diagnosis Using Heart Rate Variability [0.0]
  本研究の目的は、心拍変動(HRV)機能を用いて、敗血症検出のための効果的な予測モデルを開発することである。 ニューラルネットワークモデルは、HRVの特徴に基づいてトレーニングされ、F1スコアは0.805、精度は0.851、リコールは0.763である。
  論文  参考訳（メタデータ） (2024-08-01T01:47:29Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。