論文の概要: Accurate and fast identification of minimally prepared bacteria
phenotypes using Raman spectroscopy assisted by machine learning
- arxiv url: http://arxiv.org/abs/2206.13933v1
- Date: Mon, 27 Jun 2022 14:27:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-03 00:08:18.603992
- Title: Accurate and fast identification of minimally prepared bacteria
phenotypes using Raman spectroscopy assisted by machine learning
- Title(参考訳): 機械学習を用いたラマン分光法による最小調製細菌の高精度・高速同定
- Authors: Benjamin Lundquist Thomsen, Jesper B. Christensen, Olga Rodenko,
Iskander Usenov, Rasmus Birkholm Gr{\o}nnemose, Thomas Emil Andersen, and
Mikael Lassen
- Abstract要約: 我々はメチシリン耐性(MR)菌をメチシリン感受性(MS)菌から同定する機械学習技術を開発した。
我々は,6種のMR-MS菌の分類精度が95.6$%であるデータセットに対して,96$%以上の分類精度を達成した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The worldwide increase of antimicrobial resistance (AMR) is a serious threat
to human health. To avert the spread of AMR, fast reliable diagnostics tools
that facilitate optimal antibiotic stewardship are an unmet need. In this
regard, Raman spectroscopy promises rapid label- and culture-free
identification and antimicrobial susceptibility testing (AST) in a single step.
However, even though many Raman-based bacteria-identification and AST studies
have demonstrated impressive results, some shortcomings must be addressed. To
bridge the gap between proof-of-concept studies and clinical application, we
have developed machine learning techniques in combination with a novel
data-augmentation algorithm, for fast identification of minimally prepared
bacteria phenotypes and the distinctions of methicillin-resistant (MR) from
methicillin-susceptible (MS) bacteria. For this we have implemented a spectral
transformer model for hyper-spectral Raman images of bacteria. We show that our
model outperforms the standard convolutional neural network models on a
multitude of classification problems, both in terms of accuracy and in terms of
training time. We attain more than 96$\%$ classification accuracy on a dataset
consisting of 15 different classes and 95.6$\%$ classification accuracy for six
MR-MS bacteria species. More importantly, our results are obtained using only
fast and easy-to-produce training and test data
- Abstract(参考訳): 世界の抗微生物抵抗性(AMR)の増大は、人間の健康にとって深刻な脅威である。
AMRの普及を避けるために、最適な抗生物質のスチュワードシップを促進する高速で信頼性の高い診断ツールが不必要である。
この点において、ラマン分光法は、迅速かつ無培養な識別と抗微生物感受性試験(AST)を単一のステップで約束する。
しかしながら、多くのラマン系細菌の同定と AST 研究は印象的な結果を示したが、いくつかの欠点に対処する必要がある。
概念実証研究と臨床応用のギャップを埋めるために, 最小限の細菌表現型を高速に同定し, メチシリン耐性(mr)をメチシリン感受性(ms)菌と区別するために, 新たなデータ提示アルゴリズムと組み合わせた機械学習手法を開発した。
そこで我々は,細菌の超スペクトルラマン画像に対するスペクトル変換モデルを実装した。
我々のモデルは、精度とトレーニング時間の両方において、様々な分類問題において、標準的な畳み込みニューラルネットワークモデルよりも優れていることを示す。
6種のmr-ms細菌の分類精度は,15の異なる分類群と95.6$\%$の分類精度からなるデータセットで96$\%$以上の分類精度を得た。
より重要なことに、我々の結果は、高速で容易に生産できるトレーニングとテストデータのみを使用して得られる。
関連論文リスト
- Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳(メタデータ) (2024-04-26T16:39:50Z) - Interpretable cancer cell detection with phonon microscopy using multi-task conditional neural networks for inter-batch calibration [39.759100498329275]
本稿では,バッチ間キャリブレーションを同時に実現する条件付きニューラルネットワークフレームワークを提案する。
異なる実験バッチをトレーニングし、検証することで、我々のアプローチを検証する。
このモデルを拡張して, 診断信号の再構成を行い, 疾患状態を示す有能な特徴の物理的解釈を可能にした。
論文 参考訳(メタデータ) (2024-03-26T12:20:10Z) - BeeTLe: A Framework for Linear B-Cell Epitope Prediction and
Classification [0.43512163406551996]
本稿では, 線形B細胞予測と抗体型特異的分類のための, 深層学習に基づく新しいフレームワークを提案する。
そこで本研究では, モデルが抗体の表現を学習するのを助けるために, 固有分解に基づくアミノ酸符号化法を提案する。
最大の公開データベースからキュレートしたデータに対する実験結果から,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2023-09-05T09:18:29Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳(メタデータ) (2023-07-10T09:49:30Z) - Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence
Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。
シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文 参考訳(メタデータ) (2022-07-18T19:16:56Z) - Accurate Virus Identification with Interpretable Raman Signatures by
Machine Learning [12.184128048998906]
本稿では,ヒトおよび鳥のRamanスペクトルを機械学習で解析する手法を提案する。
スペクトルデータ用に特別に設計された畳み込みニューラルネットワーク(CNN)分類器は、様々なウイルスタイプやサブタイプの識別タスクに対して非常に高い精度を達成する。
論文 参考訳(メタデータ) (2022-06-05T22:31:14Z) - 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) - Development of a Risk-Free COVID-19 Screening Algorithm from Routine
Blood Tests Using Ensemble Machine Learning [0.0]
キットの不足とコストが原因で、多くの人々が感染し、検査前に回復または死亡している。
この研究は、リスクフリーで高精度なStacked Ensemble Machine Learningモデルを提案することで、COVID-19検出の概念を活用する。
提案手法は,ユビキタス・ユビキタス・ローコストスクリーニングアプリケーションの可能性を有する。
論文 参考訳(メタデータ) (2021-08-12T11:01:53Z) - Assessing putative bias in prediction of anti-microbial resistance from
real-world genotyping data under explicit causal assumptions [3.795323061432507]
サンプリングが非ランダム化されているため、AMR予測ツールの開発にはバイアスがかかる。
遺伝子型・フェノタイプAMRデータを用いたAMR予測における確率に基づく再バランスと共起調整の有効性を評価した。
論文 参考訳(メタデータ) (2021-07-06T21:19:21Z) - 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) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳(メタデータ) (2020-04-30T20:42:17Z)
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。