論文の概要: SEMPAI: a Self-Enhancing Multi-Photon Artificial Intelligence for
prior-informed assessment of muscle function and pathology
- arxiv url: http://arxiv.org/abs/2210.16273v1
- Date: Fri, 28 Oct 2022 17:03:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 15:58:35.985885
- Title: SEMPAI: a Self-Enhancing Multi-Photon Artificial Intelligence for
prior-informed assessment of muscle function and pathology
- Title（参考訳）: SEMPAI:筋機能と病理の事前評価のための多光子人工知能
- Authors: Alexander M\"uhlberg, Paul Ritter, Simon Langer, Chlo\"e Goossens,
Stefanie N\"ubler, Dominik Schneidereit, Oliver Taubmann, Felix Denzinger,
Dominik N\"orenberg, Michael Haug, Wolfgang H. Goldmann, Andreas K. Maier,
Oliver Friedrich, Lucas Kreiss
- Abstract要約: 本稿では,仮説駆動型先行処理をデータ駆動型ディープラーニングアプローチに統合した,SEMPAI(Self-Enhancing Multi-Photon Artificial Intelligence)を紹介する。
SEMPAIは、小さなデータセットの予測を可能にするために、いくつかのタスクを共同で学習する。
SEMPAIは、少ないデータを含む7つの予測タスクのうち6つにおいて、最先端のバイオマーカーよりも優れています。
- 参考スコア（独自算出の注目度）: 48.54269377408277
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning (DL) shows notable success in biomedical studies. However, most
DL algorithms work as a black box, exclude biomedical experts, and need
extensive data. We introduce the Self-Enhancing Multi-Photon Artificial
Intelligence (SEMPAI), that integrates hypothesis-driven priors in a
data-driven DL approach for research on multiphoton microscopy (MPM) of muscle
fibers. SEMPAI utilizes meta-learning to optimize prior integration, data
representation, and neural network architecture simultaneously. This allows
hypothesis testing and provides interpretable feedback about the origin of
biological information in MPM images. SEMPAI performs joint learning of several
tasks to enable prediction for small datasets. The method is applied on an
extensive multi-study dataset resulting in the largest joint analysis of
pathologies and function for single muscle fibers. SEMPAI outperforms
state-of-the-art biomarkers in six of seven predictive tasks, including those
with scarce data. SEMPAI's DL models with integrated priors are superior to
those without priors and to prior-only machine learning approaches.
- Abstract（参考訳）: 深層学習(DL)は医学研究において顕著な成功を収めた。
しかし、ほとんどのDLアルゴリズムはブラックボックスとして機能し、生物医学の専門家を除外し、広範なデータを必要とする。
筋線維の多光子顕微鏡(MPM)研究のためのデータ駆動型DLアプローチにおいて仮説駆動型先行情報を統合したSEMPAI(Self-Enhancing Multi-Photon Artificial Intelligence)を導入する。
SEMPAIは、メタ学習を使用して、事前統合、データ表現、ニューラルネットワークアーキテクチャを同時に最適化する。
これは仮説テストを可能にし、MPM画像における生物学的情報の起源に関する解釈可能なフィードバックを提供する。
SEMPAIは、小さなデータセットの予測を可能にするために、いくつかのタスクを共同で学習する。
本手法は, 単一筋線維の病態と機能に関する最大ジョイント解析を行う, 広範囲のマルチスタディデータセットに適用できる。
SEMPAIは、7つの予測タスクのうち6つで最先端のバイオマーカーを上回っている。
SEMPAIのDLモデルは、事前のないものや、事前のみの機械学習アプローチよりも優れている。
関連論文リスト
- Training Small Multimodal Models to Bridge Biomedical Competency Gap: A
Case Study in Radiology Imaging [114.43429928419755]
バイオメディカル・コンピテンシー・ギャップを橋渡しするオープンソース小型マルチモーダル・モデル(SMM)の訓練について検討する。
LLaVA-Radは高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳（メタデータ） (2024-03-12T18:12:02Z) - HEALNet -- Hybrid Multi-Modal Fusion for Heterogeneous Biomedical Data [12.109041184519281]
本稿では, フレキシブルなマルチモーダル融合アーキテクチャであるHybrid Early-fusion Attention Learning Network (HEALNet)を提案する。
The Cancer Genome Atlas (TCGA) の4つの癌コホートにおける全スライド画像と多モードデータの多モード生存解析を行った。
HEALNetは最先端のパフォーマンスを実現し、ユニモーダルベースラインと最近のマルチモーダルベースラインの両方を大幅に改善した。
論文 参考訳（メタデータ） (2023-11-15T17:06:26Z) - Diagnosing Alzheimer's Disease using Early-Late Multimodal Data Fusion
with Jacobian Maps [1.5501208213584152]
アルツハイマー病(英語: Alzheimer's disease、AD)は、老化に影響を及ぼす神経変性疾患である。
本稿では,自動特徴抽出とランダム森林のための畳み込みニューラルネットワークを利用する,効率的な早期融合(ELF)手法を提案する。
脳の容積の微妙な変化を検出するという課題に対処するために、画像をヤコビ領域(JD)に変換する。
論文 参考訳（メタデータ） (2023-10-25T19:02:57Z) - Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳（メタデータ） (2023-10-06T10:40:46Z) - Multi-modal Graph Neural Network for Early Diagnosis of Alzheimer's
Disease from sMRI and PET Scans [11.420077093805382]
我々は,非ユークリッド領域の問題に対処するためのグラフニューラルネットワーク(GNN)を提案する。
本研究では,sMRIやPET画像から脳ネットワークを生成可能であることを示す。
次に、各モーダルが独自のGNNの分岐を持つマルチモーダルGNNフレームワークを提案し、その多モーダルデータを組み合わせる手法を提案する。
論文 参考訳（メタデータ） (2023-07-31T02:04:05Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Artificial Intelligence-Based Methods for Fusion of Electronic Health
Records and Imaging Data [0.9749560288448113]
我々は、AI技術を用いて、異なる臨床応用のためにマルチモーダル医療データを融合する文献の合成と分析に重点を置いている。
本報告では, 各種核融合戦略, マルチモーダル核融合を用いた疾患, 臨床成績, 利用可能なマルチモーダル医療データセットを包括的に分析する。
論文 参考訳（メタデータ） (2022-10-23T07:13:37Z) - Interpretable and synergistic deep learning for visual explanation and
statistical estimations of segmentation of disease features from medical
images [0.0]
医学画像からの病因分類やセグメンテーションのための深層学習(DL)モデルは、無関係な自然界画像からの伝達学習(TL)を用いて、ますます訓練されている。
TL後バイナリセグメンテーションに広く用いられているDLアーキテクチャの比較,厳密な統計的解析,および比較について報告する。
TIIおよびLMIモデル、コード、10,000以上の医療画像の無料GitHubリポジトリと、この研究からのGrad-CAM出力は、高度な計算医学の出発点として利用できる。
論文 参考訳（メタデータ） (2020-11-11T14:08:17Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。