کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6920439 1447920 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Multi-label classification methods for improving comorbidities identification
ترجمه فارسی عنوان
روش های طبقه بندی چند لایک برای بهبود شناسایی همراهیت
کلمات کلیدی
به رسمیت شناختن چندین چشم انداز، طبقه بندی چند لایک، وابستگی برچسب، شناسایی تلفات، بهبود تشخیص پزشکی
ترجمه چکیده
فرآیند تشخیص پزشکی ممکن است با تکنیک های طبقه بندی محاسباتی پشتیبانی شود. در بسیاری از موارد بیماران مبتلا به بیماری های متعدد هستند و بیش از یک برچسب طبقه بندی برای بهبود تصمیم گیری پزشکی لازم است. در این مقاله، یک مشکل طبقه بندی چند بعدی برای تشخیص پزشکی مورد بررسی قرار می دهیم، که در آن موارد از طریق برچسب ها از مجموعه های جداگانه توصیف می شود. ما تلاش می کنیم تا شناسایی ارتباطات همراه با استفاده از تکنیک های طبقه بندی چند لایک را بهبود بخشیم. چندین روش تحقیقاتی که وابستگی به برچسب را ارائه می دهند، مورد تجزیه و تحلیل قرار می گیرند. عملکرد این روش ها با آزمایش های انجام شده بر روی چهار مجموعه اطلاعات پزشکی از بیماران مورد بررسی تأیید می شود. نتایج به دست آمده با استفاده از معیارهای مختلف مورد ارزیابی قرار گرفت. ما اثرات تکنیک هایی را انجام می دهیم و همبستگی برچسب ها را در نظر نمی گیریم. ما نشان می دهیم که روش های طبقه بندی چند لایحه از گروه اول تکنیک های دوم را بهتر می کنند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
چکیده انگلیسی
The medical diagnostic process may be supported by computational classification techniques. In many cases, patients are affected by multiple illnesses, and more than one classification label is required to improve medical decision-making. In this paper, we consider a multi-perspective classification problem for medical diagnostics, where cases are described by labels from separate sets. We attempt to improve the identification of comorbidities using multi-label classification techniques. Several investigated methods, which provide label dependencies, are analysed and evaluated. The methods' performances are verified by experiments conducted on four sets of medical data from subject patients. The results were evaluated using several metrics and were statistically verified. We compare the effects of the techniques that do and do not consider label correlations. We demonstrate that multi-label classification methods from the first group outperform the techniques from the second one.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers in Biology and Medicine - Volume 100, 1 September 2018, Pages 279-288
نویسندگان
, , ,