論文の概要: DiffEx: Explaining a Classifier with Diffusion Models to Identify Microscopic Cellular Variations

• arxiv url: http://arxiv.org/abs/2502.09663v1
• Date: Wed, 12 Feb 2025 12:46:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 14:48:10.998487
• Title: DiffEx: Explaining a Classifier with Diffusion Models to Identify Microscopic Cellular Variations
• Title（参考訳）: DiffEx: 微視的細胞変動を識別する拡散モデルを用いた分類器の解説
• Authors: Anis Bourou, Saranga Kingkor Mahanta, Thomas Boyer, Valérie Mezger, Auguste Genovesio,
• Abstract要約: 識別的なディープラーニングモデルは、イメージをカテゴリに分類することに長けている。 これらのモデルは、その複雑さと解釈可能性の欠如により、しばしばブラックボックスと見なされる。 視覚的に解釈可能な属性を生成して分類器を説明するDiffExを提案する。
• 参考スコア（独自算出の注目度）: 0.815557531820863
• License:
• Abstract: In recent years, deep learning models have been extensively applied to biological data across various modalities. Discriminative deep learning models have excelled at classifying images into categories (e.g., healthy versus diseased, treated versus untreated). However, these models are often perceived as black boxes due to their complexity and lack of interpretability, limiting their application in real-world biological contexts. In biological research, explainability is essential: understanding classifier decisions and identifying subtle differences between conditions are critical for elucidating the effects of treatments, disease progression, and biological processes. To address this challenge, we propose DiffEx, a method for generating visually interpretable attributes to explain classifiers and identify microscopic cellular variations between different conditions. We demonstrate the effectiveness of DiffEx in explaining classifiers trained on natural and biological images. Furthermore, we use DiffEx to uncover phenotypic differences within microscopy datasets. By offering insights into cellular variations through classifier explanations, DiffEx has the potential to advance the understanding of diseases and aid drug discovery by identifying novel biomarkers.
• Abstract（参考訳）: 近年, 深層学習モデルが生体データに適用されている。 識別的なディープラーニングモデルは、イメージをカテゴリ(例えば、健康と病気、治療と未治療)に分類するのに優れています。 しかしながら、これらのモデルは、その複雑さと解釈可能性の欠如によりブラックボックスとして認識され、現実世界の生物学的文脈における応用を制限する。 生物学的研究において、分類器の決定を理解し、条件間の微妙な差異を識別することは、治療、疾患の進行、生物学的プロセスの影響を解明するために重要である。 そこで本稿では,視覚的に解釈可能な属性を生成する手法であるDiffExを提案する。 自然画像および生体画像に基づいて訓練された分類器の説明におけるDiffExの有効性を実証する。 さらに、DiffExを用いて、顕微鏡データセット内の表現特異性の違いを明らかにする。 DiffExは、分類器の説明を通じて細胞の変化に関する洞察を提供することで、病気の理解を深め、新しいバイオマーカーを同定して薬物発見を助ける可能性がある。

関連論文リスト

• Revealing Subtle Phenotypes in Small Microscopy Datasets Using Latent Diffusion Models [0.815557531820863]
  本稿では,事前学習した潜伏拡散モデルを用いて,微妙な表現型変化を明らかにする手法を提案する。 本研究は, 視覚的特徴と知覚的差異の両方を捉えることで, 表現型変化を効果的に検出できることを示す。
  論文  参考訳（メタデータ） (2025-02-12T15:45:19Z)
• Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
  我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。 我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。 我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Diff-Def: Diffusion-Generated Deformation Fields for Conditional Atlases [13.440406411539987]
  条件付きアトラスは、微細な解剖学的差異を調査することができる。 我々は、潜在拡散モデルを用いて変形場を生成し、一般集団アトラスを特定のサブ集団に変換する。 本手法を、5000個の脳とUK Biobankの全身MR画像を用いた実験で、最先端のアトラス生成法と比較した。
  論文  参考訳（メタデータ） (2024-03-25T13:52:48Z)
• PhenDiff: Revealing Subtle Phenotypes with Diffusion Models in Real Images [0.7329200485567825]
  PhenDiffは、実際の画像をある状態から別の状態に翻訳することで、細胞性表現型の変化を特定する。 薬物治療の低濃度の場合など,表現型の変化が見えない場合や見えない場合において,この手法を質的,定量的に検証する。
  論文  参考訳（メタデータ） (2023-12-13T17:06:33Z)
• Finding Interpretable Class-Specific Patterns through Efficient Neural Search [43.454121220860564]
  本稿では、データから微分パターンを抽出する、本質的に解釈可能なバイナリニューラルネットワークアーキテクチャDNAPSを提案する。 DiffNapsは何十万もの機能にスケーラブルで、ノイズに強い。 3つの生物学的応用を含む人工的および実世界のデータについて、DiffNapsは競合と異なり、常に正確で簡潔で解釈可能なクラス記述を生成する。
  論文  参考訳（メタデータ） (2023-12-07T14:09:18Z)
• 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)
• Pixel-Level Explanation of Multiple Instance Learning Models in Biomedical Single Cell Images [52.527733226555206]
  複数のインスタンス学習モデルを説明するための4つの属性法について検討する。 急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。 我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
  論文  参考訳（メタデータ） (2023-03-15T14:00:11Z)
• Mapping the landscape of histomorphological cancer phenotypes using self-supervised learning on unlabeled, unannotated pathology slides [9.27127895781971]
  病理形態学的現象型学習は、小さな画像タイルにおける識別画像の特徴の自動発見を通じて行われる。 タイルは、組織形態学的表現型のライブラリを構成する形態学的に類似したクラスターに分類される。
  論文  参考訳（メタデータ） (2022-05-04T08:06:55Z)
• Discriminative Attribution from Counterfactuals [64.94009515033984]
  本稿では,特徴属性と反実的説明を組み合わせたニューラルネットワークの解釈可能性について述べる。 本手法は,特徴属性法の性能を客観的に評価するために有効であることを示す。
  論文  参考訳（メタデータ） (2021-09-28T00:53:34Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)

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。