論文の概要: GateNet: A novel Neural Network Architecture for Automated Flow Cytometry Gating

• arxiv url: http://arxiv.org/abs/2312.07316v1
• Date: Tue, 12 Dec 2023 14:30:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 15:51:12.358267
• Title: GateNet: A novel Neural Network Architecture for Automated Flow Cytometry Gating
• Title（参考訳）: gatenet:フローサイトメトリー自動ゲーティングのための新しいニューラルネットワークアーキテクチャ
• Authors: Lukas Fisch, Michael O. Heming, Andreas Schulte-Mecklenbeck, Catharina C. Gross, Stefan Zumdick, Carlotta Barkhau, Daniel Emden, Jan Ernsting, Ramona Leenings, Kelvin Sarink, Nils R. Winter, Udo Dannlowski, Heinz Wiendl, Gerd Meyer zu H\"orste, Tim Hahn
• Abstract要約: GateNetは、バッチ効果の修正を必要とせずにエンドツーエンドの自動ゲーティングを可能にする、最初のニューラルネットワークアーキテクチャである。 新規な未確認サンプルに対して,GateNetが人間レベルの性能(F1スコアは0.910から0.997まで)を達成することを示す。 また、GateNetは人間レベルのパフォーマンスに到達するのに10のサンプルしか必要とせず、フローのすべての領域で広く適用可能であることも示しています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow cytometry is widely used to identify cell populations in patient-derived fluids such as peripheral blood (PB) or cerebrospinal fluid (CSF). While ubiquitous in research and clinical practice, flow cytometry requires gating, i.e. cell type identification which requires labor-intensive and error-prone manual adjustments. To facilitate this process, we designed GateNet, the first neural network architecture enabling full end-to-end automated gating without the need to correct for batch effects. We train GateNet with over 8,000,000 events based on N=127 PB and CSF samples which were manually labeled independently by four experts. We show that for novel, unseen samples, GateNet achieves human-level performance (F1 score ranging from 0.910 to 0.997). In addition we apply GateNet to a publicly available dataset confirming generalization with an F1 score of 0.936. As our implementation utilizes graphics processing units (GPU), gating only needs 15 microseconds per event. Importantly, we also show that GateNet only requires ~10 samples to reach human-level performance, rendering it widely applicable in all domains of flow cytometry.
• Abstract（参考訳）: フローサイトメトリーは末梢血(PB)や髄液(CSF)などの患者由来液中の細胞集団の同定に広く用いられている。 研究や臨床実践においてユビキタスなフローサイトメトリーはゲーティング、すなわち労働集約的かつエラーを起こしやすい手動調整を必要とする細胞型同定を必要とする。 このプロセスを容易にするために、バッチ効果の修正を必要とせずに、完全なエンドツーエンドの自動ゲーティングを可能にする、最初のニューラルネットワークアーキテクチャであるGateNetを設計した。 4人の専門家が手動でラベル付けしたn=127pbとcsfサンプルに基づいて、8,000,000以上のイベントをgatenetでトレーニングした。 新規で見知らぬサンプルでは、GateNetは人間レベルのパフォーマンスを達成する(F1スコアは0.910から0.997)。 さらに、f1スコア0.936で一般化を確認する公開データセットにgatenetを適用する。 我々の実装ではグラフィックス処理ユニット(GPU)を使用しているため、1イベントあたり15マイクロ秒しか必要としない。 重要なことに、gatenetは人間のレベルのパフォーマンスに達するのに10サンプル程度しか必要とせず、フローサイトメトリーのすべての領域で広く適用可能であることも示しています。

関連論文リスト

• Deep fused flow and topology features for botnet detection basing on pretrained GCN [2.3436632098950456]
  グラフ畳み込みネットワーク(GCN)を用いてフロー特徴とトポロジー特徴を融合するボットネット検出モデルを提案する。 我々の手法では、C2ボットネットでは92.90%、F1スコアは92.76%、リコールレートは94.66%、F1スコアは92.35%である。
  論文  参考訳（メタデータ） (2023-07-20T04:49:23Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Implementing arbitrary quantum operations via quantum walks on a cycle graph [9.463363607207679]
  我々は、任意のユニタリ演算をモデル化するために、サイクルグラフ上に単純な離散時間量子ウォーク(DTQW)を用いる。 我々のモデルは基本的にDTQWに基づく量子ニューラルネットワークである。 本研究は、量子計算におけるDTQWベースのニューラルネットワークの機能と、実験室実装におけるその可能性を示す。
  論文  参考訳（メタデータ） (2023-04-12T07:48:51Z)
• Deep Surrogate Docking: Accelerating Automated Drug Discovery with Graph Neural Networks [0.9785311158871759]
  本稿では,ディープラーニングに基づくサロゲートモデリングを適用し,ドッキングプロセスを大幅に高速化するフレームワークであるDeep Surrogate Docking(DSD)を紹介する。 我々は、DSDワークフローとFiLMv2アーキテクチャを組み合わせることで、分子スクリーニングにおける9.496倍の高速化と3%のリコールエラー率が得られることを示した。
  論文  参考訳（メタデータ） (2022-11-04T19:36:02Z)
• A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
  本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。 トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。 本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-01T14:12:58Z)
• Gradient-enhanced multifidelity neural networks for high-dimensional function approximation [0.0]
  グラデーション強化型マルチファイダリティニューラルネットワーク(GEMFNN)を提案する。 関数近似には関数情報と勾配情報の両方を複数レベルの忠実度で使用することができる。
  論文  参考訳（メタデータ） (2021-03-23T00:47:41Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)
• Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
  本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。 また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
  論文  参考訳（メタデータ） (2020-10-22T12:32:29Z)
• 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)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)

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。