コスト感受性機械学習によるコンピュータ断層撮影スキャンにおける脳内出血検出【JST・京大機械翻訳】

Goyal, R.

プレプリント

J-GLOBAL ID：202202208268577003 整理番号：21P0285624

コスト感受性機械学習によるコンピュータ断層撮影スキャンにおける脳内出血検出【JST・京大機械翻訳】

Intracerebral Hemorrhage Detection in Computed Tomography Scans Through Cost-Sensitive Machine Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (1件)：
資料名：
発行年： 2022年01月19日プレプリントサーバーでの情報更新日： 2022年01月19日
JST資料番号： O7002B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

結論:AO_SCPLOWBSTRACTC_SCPLOWO_ST_ABSC_ST_ABSIntra脳内出血は,死亡または重度の障害の75%以上の尤度で,最も重度の脳卒中形態であり,その死亡率の半分は最初の24時間で生じる。脳内出血の悪いな性質とその診断における偽陰性の高い費用は,多くの医療作業の代表である。アプローチCost-感受性機械学習は,望ましくない結果を最小化する方法として様々な研究で有望である。本研究では,6つの機械学習モデルを,ペナル化に基づくユーティリティマトリックスの有無の両方で,160のコンピュータトモグラフィ脳スキャンで訓練し,コスト感受性学習の実装を行った。【結果】最高形成モデルは,サポートベクターマシンであり,97.5%の精度,ペナル化なしで95%の感度および100%の特異性,および40のスキャンのデータセットに関して,92.5%の精度,100%の感度および85%の特異性を得た。いずれの場合も,このモデルは,データセットの小さいサイズと高い不均一性にもかかわらず,他の手法を用いた以前の研究の範囲を凌駕する。結論:ユーティリティマトリックスは,偽陰性の縮小が重要な医療状況およびワークフローにおいて,高感度だが正確な人工知能技術に対する強い可能性を示す。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

神経の臨床医学一般 , 人間機械系 , 人工知能

, , , ,

前のページに戻る