論文の概要: Distangling Biological Noise in Cellular Images with a focus on Explainability

• arxiv url: http://arxiv.org/abs/2007.05743v1
• Date: Sat, 11 Jul 2020 11:04:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 13:34:24.865626
• Title: Distangling Biological Noise in Cellular Images with a focus on Explainability
• Title（参考訳）: 説明可能性に着目した細胞画像における生体ノイズの分散
• Authors: Manik Sharma and Ganapathy Krishnamurthi
• Abstract要約: 本研究の目的は、細胞内の遺伝的摂動を解読する細胞画像分類モデルを作成することである。 我々はGrad-CAM視覚化の結果を示し、ある特徴が他よりも重要であることを示す。
• 参考スコア（独自算出の注目度）: 0.5262554429781318
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The cost of some drugs and medical treatments has risen in recent years that many patients are having to go without. A classification project could make researchers more efficient. One of the more surprising reasons behind the cost is how long it takes to bring new treatments to market. Despite improvements in technology and science, research and development continues to lag. In fact, finding new treatment takes, on average, more than 10 years and costs hundreds of millions of dollars. In turn, greatly decreasing the cost of treatments can make ensure these treatments get to patients faster. This work aims at solving a part of this problem by creating a cellular image classification model which can decipher the genetic perturbations in cell (occurring naturally or artificially). Another interesting question addressed is what makes the deep-learning model decide in a particular fashion, which can further help in demystifying the mechanism of action of certain perturbations and paves a way towards the explainability of the deep-learning model. We show the results of Grad-CAM visualizations and make a case for the significance of certain features over others. Further we discuss how these significant features are pivotal in extracting useful diagnostic information from the deep-learning model.
• Abstract（参考訳）: 薬や治療のコストは近年上昇しており、多くの患者が手放さなければならない。 分類プロジェクトにより、研究者はより効率的になる。 コストの理由の1つは、新しい治療法を市場に出すのにどのくらい時間がかかるかだ。 技術と科学の改善にもかかわらず、研究開発は遅れ続けている。 実際、新しい治療法を見つけるには平均して10年以上かかり、何億ドルもの費用がかかる。 結果的に、治療のコストを大幅に削減することで、これらの治療がより早く患者に届くようにする。 この研究は、細胞内の遺伝的摂動(自然あるいは人工的に起こる)を解読できる細胞画像分類モデルを作成することで、この問題の一部を解決することを目的としている。 もうひとつの興味深い疑問は、ディープラーニングモデルを特定の方法で決定する理由である。これは、特定の摂動のメカニズムを解明し、ディープラーニングモデルの説明可能性への道を開くのに役立つ。 我々はGrad-CAM視覚化の結果を示し、ある特徴が他よりも重要であることを示す。 さらに,これらの重要な機能は,ディープラーニングモデルから有用な診断情報を抽出する上で重要な役割を担っている。

関連論文リスト

• Investigating Neuron Ablation in Attention Heads: The Case for Peak Activation Centering [0.0]
  本稿では,ニューロンの活性化を観察するための異なるレンズについて述べるとともに,言語モデルと視覚変換器の有効性について検討する。 異なるレギュラーやモデルにおいて,各手法は,他の手法と比較して,モデル性能の低下を最小限に抑えることができることがわかった。
  論文  参考訳（メタデータ） (2024-08-30T14:32:25Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Detecting Brain Tumors through Multimodal Neural Networks [0.0]
  本研究の目的は、グレースケール画像として処理されたMRIスキャンの分類のためのマルチモーダルモデルの性能を評価することである。 結果は有望であり、モデルが約98%の精度に達すると、同様の結果が得られる。
  論文  参考訳（メタデータ） (2024-01-10T13:06:52Z)
• Deep Learning for Time Series Classification of Parkinson's Disease Eye Tracking Data [0.0]
  我々は、現在最先端のディープラーニングアルゴリズムを用いて、ササード実験による視線追跡データを用いて、パーキンソン病の分類を行う。 モデルが分類課題を学習し、未知の対象に一般化できることが判明した。
  論文  参考訳（メタデータ） (2023-11-28T00:03:18Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Diagnosis of Paratuberculosis in Histopathological Images Based on Explainable Artificial Intelligence and Deep Learning [0.0]
  本研究では,Deep Learningアルゴリズムを用いて新しいオリジナルデータセットを探索し,勾配重み付きクラスアクティベーションマッピング(Grad-CAM)を用いて出力を可視化する。 意思決定プロセスと説明文の両方を検証し,出力の精度を検証した。 この研究結果は、病理学者が傍結核の診断に大いに役立っている。
  論文  参考訳（メタデータ） (2022-08-02T18:05:26Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Neuromorphic AI Empowered Root Cause Analysis of Faults in Emerging Networks [3.710841042000923]
  我々は、完全に自動化された自己修復システムに向けた重要なステップを提供する、AIベースの障害診断ソリューションを提案する。 提案手法の性能を,文学における最先端解と比較する。 その結果,ニューロモルフィック・コンピューティング・モデルは,他のモデルと比較して高い分類精度が得られた。
  論文  参考訳（メタデータ） (2020-05-04T13:26:56Z)

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。