論文の概要: Explainable Deep Learning Framework for SERS Bio-quantification
- arxiv url: http://arxiv.org/abs/2411.08082v1
- Date: Tue, 12 Nov 2024 11:26:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-14 16:09:59.561698
- Title: Explainable Deep Learning Framework for SERS Bio-quantification
- Title（参考訳）: SERSバイオ量子化のための説明可能なディープラーニングフレームワーク
- Authors: Jihan K. Zaki, Jakub Tomasik, Jade A. McCune, Sabine Bahn, Pietro Liò, Oren A. Scherman,
- Abstract要約: 本研究は, 表面増幅ラマン分光法(SERS)の課題を, 新規SERSバイオ量子化フレームワークを用いて解決することを目的とする。
尿中セロトニン定量は, ククルビット[8]ウリルケミカルスペーサーを用いてマイクロモルレンジで測定された672SERSスペクトルを用いたモデル課題として評価された。
SERS混合分析の現在のニーズに適合する新しい文脈代表型解釈モデル説明法 (CRIME) を開発した。
- 参考スコア（独自算出の注目度）: 12.855316833585908
- License:
- Abstract: Surface-enhanced Raman spectroscopy (SERS) is a potential fast and inexpensive method of analyte quantification, which can be combined with deep learning to discover biomarker-disease relationships. This study aims to address present challenges of SERS through a novel SERS bio-quantification framework, including spectral processing, analyte quantification, and model explainability. To this end,serotonin quantification in urine media was assessed as a model task with 682 SERS spectra measured in a micromolar range using cucurbit[8]uril chemical spacers. A denoising autoencoder was utilized for spectral enhancement, and convolutional neural networks (CNN) and vision transformers were utilized for biomarker quantification. Lastly, a novel context representative interpretable model explanations (CRIME) method was developed to suit the current needs of SERS mixture analysis explainability. Serotonin quantification was most efficient in denoised spectra analysed using a convolutional neural network with a three-parameter logistic output layer (mean absolute error = 0.15 {\mu}M, mean percentage error = 4.67%). Subsequently, the CRIME method revealed the CNN model to present six prediction contexts, of which three were associated with serotonin. The proposed framework could unlock a novel, untargeted hypothesis generating method of biomarker discovery considering the rapid and inexpensive nature of SERS measurements, and the potential to identify biomarkers from CRIME contexts.
- Abstract（参考訳）: 表面増強ラマン分光法(SERS)は、分析の迅速かつ安価な方法であり、深層学習と組み合わせてバイオマーカーと分解の関係を発見することができる。
本研究の目的は、スペクトル処理、分析量化、モデル説明可能性を含む新しいSERSバイオ量子化フレームワークを通じて、SERSの課題に対処することである。
そこで, 尿中セロトニンの定量化を, ククルビット[8]ウリル化学スペーサーを用いてマイクロモル範囲で測定した682SERSスペクトルを用いたモデル課題として評価した。
スペクトル強調にはデノナイジングオートエンコーダを使用し、バイオマーカー定量には畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマーを使用した。
最後に,SERS混合分析の現在のニーズに適合する新しい文脈代表型解釈モデル説明法 (CRIME) を開発した。
セロトニン定量化は、3パラメータロジスティック出力層を持つ畳み込みニューラルネットワーク(平均絶対誤差 = 0.15 {\mu}M, 平均パーセンテージ誤差 = 4.67%)を用いて分析された分極スペクトルにおいて最も効率的であった。
その後、CRIME法はCNNモデルを6つの予測文脈を示し、そのうち3つはセロトニンに関連づけられた。
提案手法は,SERS測定の迅速かつ安価な性質と,CRIMEコンテキストからバイオマーカーを識別する可能性を考慮して,バイオマーカー発見の新規で未ターゲットの仮説生成手法を解き放つことができる。
関連論文リスト
- Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。
DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。
特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
論文 参考訳（メタデータ） (2024-09-23T17:11:04Z) - Variational and Explanatory Neural Networks for Encoding Cancer Profiles and Predicting Drug Responses [40.80133767939435]
既存のAIモデルは、転写学データのノイズと生物学的解釈性の欠如により、課題に直面している。
ノイズ効果を軽減するために変動成分を組み込んだ新しいニューラルネットワークフレームワークVETEを紹介する。
VETEは、AIによる予測と、がん研究における生物学的に意味のある洞察のギャップを埋める。
論文 参考訳（メタデータ） (2024-07-05T13:13:02Z) - Discovering robust biomarkers of neurological disorders from functional MRI using graph neural networks: A Review [4.799269666410891]
本稿では、障害予測タスクのためのfMRIデータセットに対して、GNNとモデル説明可能性技術がどのように適用されてきたかを概説する。
その結果、ほとんどの研究にはパフォーマンスモデルがあるが、これらの研究で強調された健全な特徴は、同じ障害の研究によって大きく異なることが判明した。
これらのバイオマーカーのロバスト性を決定するために,客観的評価指標に基づく新しい標準を確立することを提案する。
論文 参考訳（メタデータ） (2024-05-01T15:29:55Z) - Deep Learning Predicts Biomarker Status and Discovers Related
Histomorphology Characteristics for Low-Grade Glioma [21.281553456323998]
低次グリオーマ(LGG)の診断と治療にはバイオマーカー検出が不可欠である
ヘマトキシリンとエオシンを含む全スライド画像とスライドレベルのバイオマーカーステータスラベルを用いて,LGGの5つのバイオマーカーの状態を予測するための解釈可能なディープラーニングパイプラインを提案する。
我々のパイプラインはバイオマーカー予測の新しいアプローチを提供するだけでなく、LGG患者に対する分子治療の適用性を高めるだけでなく、分子機能とLGGの進行の新たなメカニズムの発見を促進する。
論文 参考訳（メタデータ） (2023-10-11T13:05:33Z) - Breast Ultrasound Tumor Classification Using a Hybrid Multitask
CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。
ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。
本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文 参考訳（メタデータ） (2023-08-04T01:19:32Z) - A marker-less human motion analysis system for motion-based biomarker
discovery in knee disorders [60.99112047564336]
NHSは低リスクの全ての患者に会うのが難しくなっているが、これはOA患者に限らない。
膝関節疾患の診断と治療経過のモニタリングのためのバイオマーカー自動同定法を提案する。
論文 参考訳（メタデータ） (2023-04-26T16:47:42Z) - Intelligent diagnostic scheme for lung cancer screening with Raman
spectra data by tensor network machine learning [10.813777115744362]
呼気中の揮発性有機化合物(VOC)のラマンスペクトルデータをスクリーニングすることにより,肺がん患者とそのステージを確実に予測するテンソルネットワーク(TN)-ML法を提案する。
高い確実性を持つサンプルの精度はほぼ100$%$である。
論文 参考訳（メタデータ） (2023-03-11T07:57:37Z) - Evaluation of the potential of Near Infrared Hyperspectral Imaging for
monitoring the invasive brown marmorated stink bug [53.682955739083056]
BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。
本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
論文 参考訳（メタデータ） (2023-01-19T11:37:20Z) - Atlas-powered deep learning (ADL) -- application to diffusion weighted
MRI [8.219843232619551]
本稿では,dMRIにおけるバイオマーカー推定のために,ディープラーニングとアトラスの両方を利用する最初のフレームワークを提案する。
本研究では,非線型拡散登録テンソルを用いてバイオマーカーのアトラスを計算し,アトラスの信頼性を推定する。
我々は,70名の新生児検体を対象に,ダウンサンプリングdMRIデータから分画異方性と神経突起方位の分散を推定するために,我々の枠組みを用いた。
論文 参考訳（メタデータ） (2022-05-05T17:21:47Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳（メタデータ） (2021-11-29T12:24:02Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z)
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。