Comparative Analysis of Supervised Machine and Deep Learning Algorithms for Kyphosis Disease Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Although Kyphosis, an excessive forward rounding of the upper back, can occur at any age, adolescence is the most common time for Kyphosis. Surgery is frequently performed on Kyphosis patients; however, the condition may persist after the operation. The tricky part is figuring out, based on the patient’s traits, if the Kyphosis condition will continue after the treatment. There have been numerous models employed in the past to predict the Kyphosis disease, including Logistic Regression (LR), Naive Bayes (NB), Random Forest (RF), K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Deep Neural Network (DNN), and others. Unfortunately, the precision was overestimated. Based on the dataset received from Kaggle, we investigated how to predict Kyphosis disorders more accurately by using these models with Hyperparameter tuning. While the calculations were being performed, certain variables were modified. The accuracy was increased by optimizing the fit parameters based on Hyperparameter tuning. Accuracy, recall or sensitivity, specificity, precision, balanced accuracy score, F1 score, and AUC-ROC score of all models, including the Hyperparameter tuning, were compared. Overall, the Hyperparameter-tuned DNN models excelled over the other models. The DNN models’ accuracy was 87.72% with 5-fold cross-validation and 87.64% with 10-fold cross-validation. It is advised that when a patient has a clinical procedure, the DNN model be trained to detect and foresee Kyphosis disease. Medical experts can use this study’s findings to correctly predict if a patient will still have Kyphosis after surgery. We propose that deep learning should be adopted and utilized as a crucial and necessary tool throughout the broad range of resolving biological queries.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle