Fugu-MT 論文翻訳(概要): Discovering distinctive elements of biomedical datasets for high-performance exploration

論文の概要: Discovering distinctive elements of biomedical datasets for high-performance exploration

arxiv url: http://arxiv.org/abs/2410.05436v1
Date: Mon, 7 Oct 2024 18:58:43 GMT
ステータス: 処理完了
システム内更新日: 2024-11-01 18:47:31.597760
Title: Discovering distinctive elements of biomedical datasets for high-performance exploration
Title（参考訳）: 高性能探査のためのバイオメディカルデータセットの特徴的要素の発見
Authors: Md Tauhidul Islam, Lei Xing,
Abstract要約: 教師なし深層学習手法である特徴要素分析(DEA)を提案する。 DEAはデータセットの高次元相関情報を用いて特徴データ要素を抽出する。 DEAは従来の手法に比べて最大45%精度が向上していることがわかった。
参考スコア（独自算出の注目度）: 8.013386998355966
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The human brain represents an object by small elements and distinguishes two objects based on the difference in elements. Discovering the distinctive elements of high-dimensional datasets is therefore critical in numerous perception-driven biomedical and clinical studies. However, currently there is no available method for reliable extraction of distinctive elements of high-dimensional biomedical and clinical datasets. Here we present an unsupervised deep learning technique namely distinctive element analysis (DEA), which extracts the distinctive data elements using high-dimensional correlative information of the datasets. DEA at first computes a large number of distinctive parts of the data, then filters and condenses the parts into DEA elements by employing a unique kernel-driven triple-optimization network. DEA has been found to improve the accuracy by up to 45% in comparison to the traditional techniques in applications such as disease detection from medical images, gene ranking and cell recognition from single cell RNA sequence (scRNA-seq) datasets. Moreover, DEA allows user-guided manipulation of the intermediate calculation process and thus offers intermediate results with better interpretability.
Abstract（参考訳）: 人間の脳は小さな要素で物体を表し、要素の違いに基づいて2つの物体を区別する。したがって、高次元データセットの特徴的な要素を明らかにすることは、多くの知覚駆動型生医学および臨床研究において重要である。しかし,現在,高次元生医学・臨床データセットの特徴的要素を確実に抽出する方法は存在しない。本稿では、データセットの高次元相関情報を用いて特徴データ要素を抽出する、教師なし深層学習手法であるDEAについて述べる。 DEAは最初、大量のデータを計算し、その後、独自のカーネル駆動のトリプル最適化ネットワークを用いることで、その部分をDEA要素にフィルタし、凝縮する。 DEAは、医学画像からの疾患検出、遺伝子ランキング、単一細胞RNA配列(scRNA-seq)データセットからの細胞認識など、従来の技術と比較して、精度を最大45%向上させることが知られている。さらに、DEAは、中間計算プロセスのユーザガイドによる操作を可能にし、より優れた解釈性を備えた中間結果を提供する。

関連論文リスト

How Much Data is Enough? Optimization of Data Collection for Artifact Detection in EEG Recordings [35.65657694684476]
深層学習に基づくアーティファクト検出を用いたデータ指向データ収集設計のための最適化手法を提案する。人工物タスクの数を12から3に減らし、等尺収縮タスクの繰り返しを10から3に減らし、時には1に減らした。
論文参考訳（メタデータ） (2024-11-05T11:47:59Z)
MultiOrg: A Multi-rater Organoid-detection Dataset [1.29058164565662]
このデータセットは、400以上の高解像度の2D顕微鏡画像と、6万以上のオルガノイドのアノテーションからなる。さらに、私たちはオルガノイド検出のためのベンチマークを提供し、人気のある画像視覚化ツールであるNapariの、容易にインストール可能でインタラクティブなプラグインを通じて、最高のモデルを利用できるようにします。
論文参考訳（メタデータ） (2024-10-18T17:05:03Z)
A Self-Supervised Method for Body Part Segmentation and Keypoint Detection of Rat Images [0.0]
実験室ラットの手動ラベル付けの必要性を軽減する方法を提案する。最終システムは、オブジェクトが密閉されている場合でも、例のセグメンテーション、キーポイント検出、およびボディ部分セグメンテーションが可能である。
論文参考訳（メタデータ） (2024-05-07T20:11:07Z)
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)
Removing Biases from Molecular Representations via Information Maximization [16.38589836748167]
InfoCOREは、COnfounder Removalがバッチ効果を扱うための情報アプローチである。インプリートされたバッチ分布を等化するために、サンプルを適応的にリウィージする。汎用的なフレームワークを提供し、データ公平性の一般的な分散シフトと課題を解決する。
論文参考訳（メタデータ） (2023-12-01T16:53:15Z)
Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文参考訳（メタデータ） (2023-10-11T05:49:47Z)
Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文参考訳（メタデータ） (2023-08-24T01:30:18Z)
SubOmiEmbed: Self-supervised Representation Learning of Multi-omics Data for Cancer Type Classification [4.992154875028543]
マルチオミクスデータの統合と解析により腫瘍の広い視野が得られ,臨床診断の精度が向上する。 SubOmiEmbedは、非常に小さなネットワークを持つベースラインであるOmiEmbedに匹敵する結果を生成する。この作業は、突然変異に基づくゲノムデータを統合するために改善される。
論文参考訳（メタデータ） (2022-02-03T16:39:09Z)
Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
論文参考訳（メタデータ） (2022-01-07T22:26:33Z)
SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge Graph Summarization [64.56399911605286]
本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。 SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
論文参考訳（メタデータ） (2020-10-04T00:14:57Z)
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。