論文の概要: Biosensors and Machine Learning for Enhanced Detection, Stratification, and Classification of Cells: A Review

• arxiv url: http://arxiv.org/abs/2101.01866v1
• Date: Wed, 6 Jan 2021 04:32:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-11 00:02:18.637196
• Title: Biosensors and Machine Learning for Enhanced Detection, Stratification, and Classification of Cells: A Review
• Title（参考訳）: バイオセンサーと機械学習による細胞の検出・階層化・分類の高度化
• Authors: Hassan Raji, Muhammad Tayyab, Jianye Sui, Seyed Reza Mahmoodi, Mehdi Javanmard
• Abstract要約: 細胞を検出し分類するセンサーに機械学習がどのように明示的に適用されたかを説明します。 また,センサのモダリティやアルゴリズムの違いが,精度やデータセットサイズに与える影響についても比較した。
• 参考スコア（独自算出の注目度）: 0.927465654262466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biological cells, by definition, are the basic units which contain the fundamental molecules of life of which all living things are composed. Understanding how they function and differentiating cells from one another therefore is of paramount importance for disease diagnostics as well as therapeutics. Sensors focusing on the detection and stratification of cells have gained popularity as technological advancements have allowed for the miniaturization of various components inching us closer to Point-of-Care (POC) solutions with each passing day. Furthermore, Machine Learning has allowed for enhancement in analytical capabilities of these various biosensing modalities, especially the challenging task of classification of cells into various categories using a data-driven approach rather than physics-driven. In this review, we provide an account of how Machine Learning has been applied explicitly to sensors that detect and classify cells. We also provide a comparison of how different sensing modalities and algorithms affect the classifier accuracy and the dataset size required.
• Abstract（参考訳）: 生物学的細胞は定義上、すべての生物が構成される生命の基本分子を含む基本的な単位である。 細胞が互いにどのように機能し、分化するかを理解することは、疾患の診断や治療において最重要となる。 細胞の検出と階層化に焦点を当てたセンサーが人気を博し、テクノロジーの進歩により、各日毎のpos(point-of-care)ソリューションに近づいた様々なコンポーネントの小型化を可能にした。 さらに、機械学習は、これらの様々なバイオセンシングモダリティの分析能力、特に、物理駆動ではなくデータ駆動アプローチを用いて、細胞を様々なカテゴリに分類する難しいタスクの強化を可能にしている。 本稿では,細胞を検知・分類するセンサに対して機械学習が明示的に適用されてきたことを説明する。 また,異なるセンシングモードとアルゴリズムが分類器の精度と必要なデータセットサイズにどのように影響するかを比較した。

関連論文リスト

• How to Build the Virtual Cell with Artificial Intelligence: Priorities and Opportunities [46.671834972945874]
  仮想セル構築にAIの進歩を活用するというビジョンを提案する。 我々は、生物の普遍的な表現を含む、そのようなAI仮想セルの望ましい能力について議論する。 我々は、AI仮想細胞が新しい薬物標的を特定し、摂動に対する細胞反応を予測し、スケール仮説を探索する未来を想像する。
  論文  参考訳（メタデータ） (2024-09-18T02:41:50Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• 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)
• MIML: Multiplex Image Machine Learning for High Precision Cell Classification via Mechanical Traits within Microfluidic Systems [1.1675184588181313]
  我々は、新しい機械学習フレームワーク、Multiformx Image Machine Learning (MIML)を開発した。 MIMLは、ラベルのない細胞画像と生体力学的特性データを組み合わせて、各細胞に固有の、しばしば使われにくい形態情報を利用する。 このアプローチにより、細胞分類における98.3%の精度が著しく向上し、単一のデータ型のみを考慮するモデルよりも大幅に改善された。
  論文  参考訳（メタデータ） (2023-09-15T14:23:51Z)
• A novel framework employing deep multi-attention channels network for the autonomous detection of metastasizing cells through fluorescence microscopy [0.20999222360659603]
  正常細胞と転移細胞を区別できる計算フレームワークを開発した。 この方法は、正常で転移する単細胞においてアクチンとビメンチンフィラメントの空間的構造を示す蛍光顕微鏡画像に依存する。
  論文  参考訳（メタデータ） (2023-09-02T11:20:10Z)
• Interpretable Single-Cell Set Classification with Kernel Mean Embeddings [14.686560033030101]
  Kernel Mean Embeddingは、各プロファイルされた生物学的サンプルの細胞景観をエンコードする。 簡単な線形分類器を訓練し、3つのフローおよび質量データセットの最先端の分類精度を実現する。
  論文  参考訳（メタデータ） (2022-01-18T21:40:36Z)
• Multi-Class Cell Detection Using Spatial Context Representation [23.542218679448624]
  デジタル病理学では、細胞の自動診断および予後タスクにおいて、細胞の検出と分類の両方が重要である。 既存の方法は、個々の細胞の形態学的外観に焦点をあてるが、実際は、病理学者は、しばしばその空間的文脈を通して細胞クラスを推測する。 本研究では,空間的文脈情報を明示的に組み込んだ検出と分類のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-10T19:54:40Z)
• Analysis of Vision-based Abnormal Red Blood Cell Classification [1.6050172226234583]
  赤血球(RBC)の異常の同定は、貧血から肝疾患まで幅広い医学的疾患を診断する鍵となる。 本稿では,機械学習の利点を利用したセル異常検出のキャパシティ向上と標準化を目的とした自動化プロセスを提案する。
  論文  参考訳（メタデータ） (2021-06-01T10:52:41Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• The role of feature space in atomistic learning [62.997667081978825]
  物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。 異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。 原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
  論文  参考訳（メタデータ） (2020-09-06T14:12:09Z)

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。