論文の概要: Spatially-Delineated Domain-Adapted AI Classification: An Application for Oncology Data

• arxiv url: http://arxiv.org/abs/2501.11695v1
• Date: Mon, 20 Jan 2025 19:20:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:24:44.671774
• Title: Spatially-Delineated Domain-Adapted AI Classification: An Application for Oncology Data
• Title（参考訳）: 空間的に規定されたドメイン適応AI分類:オンコロジーデータへの応用
• Authors: Majid Farhadloo, Arun Sharma, Alexey Leontovich, Svetomir N. Markovic, Shashi Shekhar,
• Abstract要約: 本研究の目的は,異なる場所型から抽出した複数種類のポイントマップから,対象場所型の2つのクラスを正確に区別するソース位置型で訓練したマップを開発することである。 この問題は、がん治療のための新しい免疫療法を設計するための臨床仮説を作成するなど、多くの応用において社会的に重要である。 空間的混在マスキングや空間的コントラッシブな予測符号化といった空間的配置をターゲットとした,空間的なAI分類のための新しいマルチタスク・セルフラーニングフレームワークを探索する。
• 参考スコア（独自算出の注目度）: 3.0566763412020714
• License:
• Abstract: Given multi-type point maps from different place-types (e.g., tumor regions), our objective is to develop a classifier trained on the source place-type to accurately distinguish between two classes of the target place-type based on their point arrangements. This problem is societally important for many applications, such as generating clinical hypotheses for designing new immunotherapies for cancer treatment. The challenge lies in the spatial variability, the inherent heterogeneity and variation observed in spatial properties or arrangements across different locations (i.e., place-types). Previous techniques focus on self-supervised tasks to learn domain-invariant features and mitigate domain differences; however, they often neglect the underlying spatial arrangements among data points, leading to significant discrepancies across different place-types. We explore a novel multi-task self-learning framework that targets spatial arrangements, such as spatial mix-up masking and spatial contrastive predictive coding, for spatially-delineated domain-adapted AI classification. Experimental results on real-world datasets (e.g., oncology data) show that the proposed framework provides higher prediction accuracy than baseline methods.
• Abstract（参考訳）: 異なる場所タイプ(例えば腫瘍領域)から複数種類の点マップが与えられた場合、その点配置に基づいてターゲット位置タイプの2つのクラスを正確に区別するために、ソース位置タイプに基づいて訓練された分類器を開発することが目的である。 この問題は、がん治療のための新しい免疫療法を設計するための臨床仮説を作成するなど、多くの応用において社会的に重要である。 課題は、空間的多様性、固有の異質性、空間的特性や異なる場所(場所タイプ)にわたる配置で観察される変化にある。 従来のテクニックでは、ドメイン不変の特徴を学習し、ドメインの違いを軽減するための自己教師型タスクに焦点が当てられていたが、データポイント間の空間配置を無視することが多く、異なる場所タイプ間で大きな相違が生じている。 空間的混在マスキングや空間的コントラッシブな予測符号化といった空間的配置をターゲットとした,領域適応型AI分類のための新しいマルチタスク自己学習フレームワークを探索する。 実世界のデータセット(例えば、オンコロジーデータ)の実験結果から、提案フレームワークはベースライン法よりも高い予測精度を提供することが示された。

関連論文リスト

• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• Towards Spatially-Lucid AI Classification in Non-Euclidean Space: An Application for MxIF Oncology Data [3.0566763412020714]
  異なる場所タイプの複数カテゴリの点集合が与えられた場合、我々のゴールは空間分解型分類器を開発することである。 この問題は、腫瘍と腫瘍の関係を解析し、新しい免疫療法を設計するために、腫瘍学などの多くの応用において重要である。 我々は、重み付き距離学習率や空間領域適応など、異なるトレーニング戦略を明示的に用いた空間アンサンブルフレームワークを探索する。
  論文  参考訳（メタデータ） (2024-02-22T21:22:21Z)
• Curriculum-Based Augmented Fourier Domain Adaptation for Robust Medical Image Segmentation [18.830738606514736]
  本研究は、堅牢な医用画像分割のためのカリキュラムベースの拡張フーリエドメイン適応(Curri-AFDA)を提案する。 特に、カリキュラム学習戦略は、異なるレベルのデータシフトの下でのモデルの因果関係に基づいている。 複数のサイトやスキャナーから収集した網膜と核の2つのセグメンテーションタスクの実験から,提案手法が優れた適応と一般化性能をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2023-06-06T08:56:58Z)
• Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
  ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。 近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。 ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-01T08:38:07Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• Domain-Adversarial Training of Self-Attention Based Networks for Land Cover Classification using Multi-temporal Sentinel-2 Satellite Imagery [0.0]
  ほとんどの実用的なアプリケーションはラベル付きデータには依存せず、この分野では調査は時間のかかるソリューションである。 本稿では,異なる地理的領域間のドメイン不一致を橋渡しする深層ニューラルネットワークの対比訓練について検討する。
  論文  参考訳（メタデータ） (2021-04-01T15:45:17Z)
• Embracing the Disharmony in Heterogeneous Medical Data [12.739380441313022]
  医療画像データの不均一性は、しばしば機械学習の文脈でドメイン不変性を用いて取り組まれる。 本論文は異種性を受け入れ,マルチタスク学習問題として扱う。 提案手法は,主分類タスクにおけるデータセット間の分類精度を5～30%向上することを示す。
  論文  参考訳（メタデータ） (2021-03-23T21:36:39Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
  教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。 教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。 我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
  論文  参考訳（メタデータ） (2020-03-29T09:03:23Z)
• Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
  本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。 粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。 粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
  論文  参考訳（メタデータ） (2020-03-23T13:40:06Z)

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。