論文の概要: MIML: Multiplex Image Machine Learning for High Precision Cell
Classification via Mechanical Traits within Microfluidic Systems
- arxiv url: http://arxiv.org/abs/2309.08421v2
- Date: Wed, 24 Jan 2024 20:25:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-26 17:48:06.810802
- Title: MIML: Multiplex Image Machine Learning for High Precision Cell
Classification via Mechanical Traits within Microfluidic Systems
- Title(参考訳): MIML:マイクロ流体システム内のメカニカルトラッツによる高精度セル分類のための多重画像機械学習
- Authors: Khayrul Islam, Ratul Paul, Shen Wang, and Yaling Liu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.1675184588181313
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Label-free cell classification is advantageous for supplying pristine cells
for further use or examination, yet existing techniques frequently fall short
in terms of specificity and speed. In this study, we address these limitations
through the development of a novel machine learning framework, Multiplex Image
Machine Learning (MIML). This architecture uniquely combines label-free cell
images with biomechanical property data, harnessing the vast, often
underutilized morphological information intrinsic to each cell. By integrating
both types of data, our model offers a more holistic understanding of the
cellular properties, utilizing morphological information typically discarded in
traditional machine learning models. This approach has led to a remarkable
98.3\% accuracy in cell classification, a substantial improvement over models
that only consider a single data type. MIML has been proven effective in
classifying white blood cells and tumor cells, with potential for broader
application due to its inherent flexibility and transfer learning capability.
It's particularly effective for cells with similar morphology but distinct
biomechanical properties. This innovative approach has significant implications
across various fields, from advancing disease diagnostics to understanding
cellular behavior.
- Abstract(参考訳): ラベルのない細胞分類は、さらなる使用や検査のためにプリスチン細胞を供給するのに有利であるが、既存の技術は特異性や速度の点でしばしば不足する。
本研究では,新しい機械学習フレームワークであるMultix Image Machine Learning (MIML)の開発を通じて,これらの制約に対処する。
このアーキテクチャは、ラベルのない細胞画像と生体力学的特性データとを独特に組み合わせ、各細胞固有の広大な、しばしば未使用の形態情報を活用している。
両種類のデータを統合することで、従来の機械学習モデルで廃棄される形態素情報を利用して、細胞特性をより包括的に理解することが可能になります。
このアプローチにより、細胞分類の98.3\%の精度が著しく向上し、単一のデータ型のみを考えるモデルよりも大幅に改善されている。
MIMLは白血球と腫瘍細胞の分類に有効であることが証明されており、その固有の柔軟性と転移学習能力により、より広範な応用の可能性がある。
同様の形態の細胞には特に有効だが、生体力学的特性は異なる。
この革新的なアプローチは、疾患の診断の進歩から細胞行動の理解まで、様々な分野において重要な意味を持つ。
関連論文リスト
- MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。
セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文 参考訳(メタデータ) (2024-06-12T15:22:56Z) - 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) - Regression-Based Analysis of Multimodal Single-Cell Data Integration
Strategies [0.0]
マルチモーダルシングルセル技術は、個々のセルから多様なデータ型の同時収集を可能にする。
この研究は、Echo State Networksの異常なパフォーマンスを強調し、顕著な相関スコアが0.94である。
これらの発見は、機械学習の可能性を生かして、細胞の分化と機能に関する理解を深めることを約束している。
論文 参考訳(メタデータ) (2023-11-21T16:31:27Z) - Mixed Models with Multiple Instance Learning [51.440557223100164]
一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。
実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
論文 参考訳(メタデータ) (2023-11-04T16:42:42Z) - 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) - A biology-driven deep generative model for cell-type annotation in
cytometry [0.0]
Scyanはシングルセルサイトメトリーネットワークで,事前知識のみを用いて細胞タイプを自動的にアノテートする。
Scyanは、複数の公開データセット上の関連する最先端モデルよりも高速で解釈可能である。
さらに、Scyanはバッチ効果除去、デバーコーディング、人口発見など、いくつかの補完的なタスクを克服している。
論文 参考訳(メタデータ) (2022-08-11T10:50:44Z) - Machine learning based lens-free imaging technique for field-portable
cytometry [0.0]
提案手法の精度は98%に向上し,多くの細胞に対して5dB以上の信号が増強された。
モデルは、数回の学習イテレーションで新しいタイプのサンプルを学ぶために適応し、新しく導入されたサンプルをうまく分類することができる。
論文 参考訳(メタデータ) (2022-03-02T07:09:29Z) - 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) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳(メタデータ) (2021-12-23T12:17:47Z) - 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)
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。