論文の概要: PhagoStat a scalable and interpretable end to end framework for
efficient quantification of cell phagocytosis in neurodegenerative disease
studies
- arxiv url: http://arxiv.org/abs/2304.13764v2
- Date: Wed, 13 Mar 2024 07:48:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 18:57:03.468427
- Title: PhagoStat a scalable and interpretable end to end framework for
efficient quantification of cell phagocytosis in neurodegenerative disease
studies
- Title(参考訳): PhagoStatはスケーラブルで解釈可能なエンドツーエンドフレームワーク
神経変性疾患における細胞性ファゴサイトーシスの効率的な定量化
研究
- Authors: Mehdi Ounissi, Morwena Latouche and Daniel Racoceanu
- Abstract要約: 本稿では,食欲活動の定量化と分析を行うためのエンドツーエンド,スケーラブル,汎用的なリアルタイムフレームワークを提案する。
提案するパイプラインでは,大規模なデータセットを処理でき,データ品質検証モジュールも備えている。
我々はこのパイプラインをFTDの微小グリア細胞食細胞解析に応用し,統計的に信頼性の高い結果を得た。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantifying the phagocytosis of dynamic, unstained cells is essential for
evaluating neurodegenerative diseases. However, measuring rapid cell
interactions and distinguishing cells from background make this task very
challenging when processing time-lapse phase-contrast video microscopy. In this
study, we introduce an end-to-end, scalable, and versatile real-time framework
for quantifying and analyzing phagocytic activity. Our proposed pipeline is
able to process large data-sets and includes a data quality verification module
to counteract perturbations such as microscope movements and frame blurring. We
also propose an explainable cell segmentation module to improve the
interpretability of DL methods compared to black-box algorithms. This includes
two interpretable DL capabilities: visual explanation and model simplification.
We demonstrate that interpretability in DL is not the opposite of high
performance, by additionally providing essential DL algorithm optimization
insights and solutions. Besides, incorporating interpretable modules results in
an efficient architecture design and optimized execution time. We apply our
pipeline to analyze microglial cell phagocytosis in FTD and obtain
statistically reliable results showing that FTD mutant cells are larger and
more aggressive than control cells. The method has been tested and validated on
public benchmarks by generating state-of-the art performances. To stimulate
translational approaches and future studies, we release an open-source
end-to-end pipeline and a unique microglial cells phagocytosis dataset for
immune system characterization in neurodegenerative diseases research. This
pipeline and the associated dataset will consistently crystallize future
advances in this field, promoting the development of interpretable algorithms
dedicated to the domain of neurodegenerative diseases' characterization.
github.com/ounissimehdi/PhagoStat
- Abstract(参考訳): 神経変性疾患の評価には, 動的無宿主細胞の破骨細胞化の定量化が不可欠である。
しかし、高速な細胞相互作用の測定と背景からの細胞識別は、タイムラプス位相コントラストビデオ顕微鏡の処理において、このタスクを非常に困難にしている。
本研究では, 食中毒活動の定量化と解析を行うためのエンドツーエンド, スケーラブル, 汎用的なリアルタイムフレームワークを提案する。
提案するパイプラインは,大規模なデータ集合を処理することができ,顕微鏡の動きやフレームのぼかしといった摂動に対処するデータ品質検証モジュールを備えている。
また,ブラックボックスアルゴリズムと比較して,DL手法の解釈性を向上させるための説明可能なセルセグメンテーションモジュールを提案する。
これには、視覚的な説明とモデルの単純化という、2つの解釈可能なDL機能が含まれる。
我々は、DLアルゴリズムのアルゴリズム最適化の基本的な洞察とソリューションを提供することにより、DLの解釈可能性が高い性能の逆ではないことを実証する。
さらに、解釈可能なモジュールを組み込むことで、効率的なアーキテクチャ設計と最適化された実行時間が得られる。
我々はこのパイプラインをFTDの微小グリア細胞食細胞解析に応用し、FTD変異細胞が制御細胞よりも大きく攻撃的であることを示す統計的に信頼性の高い結果を得た。
この手法は、最先端のアートパフォーマンスを生成することで、公開ベンチマークでテストされ、検証されている。
翻訳のアプローチと今後の研究を刺激するため,神経変性疾患研究における免疫系評価のための,オープンソースのエンドツーエンドパイプラインと独自のマイクログリア細胞ファゴサイトーシスデータセットをリリースする。
このパイプラインと関連するデータセットは、この分野における将来の進歩を一貫して結晶化し、神経変性疾患の特徴の領域に特化した解釈可能なアルゴリズムの開発を促進する。
github.com/ounissimehdi/PhagoStat
関連論文リスト
- Prediction of Activated Sludge Settling Characteristics from Microscopy
Images with Deep Convolutional Neural Networks and Transfer Learning [7.864200278688152]
本研究では, 活性汚泥沈降特性を評価するために, コンピュータビジョンに基づく革新的な手法を提案する。
深層畳み込みニューラルネットワーク(CNN)モデルの伝達学習の実装により,既存の定量的画像解析技術の限界を克服することを目的とした。
Inception v3, ResNet18, ResNet152, ConvNeXt-nano, ConvNeXt-S などのCNNアーキテクチャを用いて, 汚泥沈降特性の評価を行った。
論文 参考訳(メタデータ) (2024-02-14T18:13:37Z) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳(メタデータ) (2023-10-10T14:37:17Z) - Modelling Technical and Biological Effects in scRNA-seq data with
Scalable GPLVMs [6.708052194104378]
我々は,ガウス過程潜在変数モデルである確率的非線形次元減少に対する一般的なアプローチを拡張し,大規模単一セルデータセットに拡張する。
鍵となる考え方は、高速な変動推論を可能にする下位境界の分解可能性を保存する拡張カーネルを使用することである。
論文 参考訳(メタデータ) (2022-09-14T15:25:15Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳(メタデータ) (2022-07-20T07:32:02Z) - 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) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Policy Optimization in Bayesian Network Hybrid Models of
Biomanufacturing Processes [3.124775036986647]
バイオマニュファクチャリングプロセスは、綿密な監視と制御を必要とする。
低データ環境における人間レベルの制御を実現するためのモデルベース強化学習フレームワークを開発した。
論文 参考訳(メタデータ) (2021-05-13T20:39:02Z) - 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) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳(メタデータ) (2020-09-29T21:17:16Z) - Learning Interpretable Microscopic Features of Tumor by Multi-task
Adversarial CNNs To Improve Generalization [1.7371375427784381]
既存のCNNモデルはブラックボックスとして機能し、医師が重要な診断機能がモデルによって使用されることを保証しない。
ここでは,マルチタスクと敵の損失を両立させる不確実性に基づく重み付けの組み合わせをエンド・ツー・エンドで学習することにより,病理的特徴に焦点を合わせることを推奨する。
AUC 0.89 (0.01) がベースラインであるAUC 0.86 (0.005) に対して最も高い値を示した。
論文 参考訳(メタデータ) (2020-08-04T12:10:35Z)
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。