論文の概要: Deep Learning Approaches for Blood Disease Diagnosis Across Hematopoietic Lineages
- arxiv url: http://arxiv.org/abs/2503.20049v1
- Date: Tue, 25 Mar 2025 20:11:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-27 13:19:44.230348
- Title: Deep Learning Approaches for Blood Disease Diagnosis Across Hematopoietic Lineages
- Title(参考訳): 造血系における血液疾患診断の深層学習的アプローチ
- Authors: Gabriel Bo, Justin Gu, Christopher Sun,
- Abstract要約: 本稿では,深層学習を利用して造血階層全体にわたる潜伏する遺伝的シグネチャを明らかにする基盤モデリングフレームワークを提案する。
提案手法は,多能性前駆細胞に完全接続されたオートエンコーダを訓練し,256次元の潜伏空間に2万以上の遺伝子特徴を還元する。
血液疾患診断タスクのためのフィードフォワード,トランスフォーマー,グラフ畳み込みアーキテクチャをトレーニングすることで,これらの埋め込みの質を検証する。
我々のモデルは多クラス分類において95%以上の精度を達成し、ゼロショット設定では2進分類タスクにおいて0.7 F1スコア以上を達成する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: We present a foundation modeling framework that leverages deep learning to uncover latent genetic signatures across the hematopoietic hierarchy. Our approach trains a fully connected autoencoder on multipotent progenitor cells, reducing over 20,000 gene features to a 256-dimensional latent space that captures predictive information for both progenitor and downstream differentiated cells such as monocytes and lymphocytes. We validate the quality of these embeddings by training feed-forward, transformer, and graph convolutional architectures for blood disease diagnosis tasks. We also explore zero-shot prediction using a progenitor disease state classification model to classify downstream cell conditions. Our models achieve greater than 95% accuracy for multi-class classification, and in the zero-shot setting, we achieve greater than 0.7 F1-score on the binary classification task. Future work should improve embeddings further to increase robustness on lymphocyte classification specifically.
- Abstract(参考訳): 本稿では,深層学習を利用して造血階層全体にわたる潜伏する遺伝的シグネチャを明らかにする基盤モデリングフレームワークを提案する。
本手法では, 多能性前駆細胞に完全接続したオートエンコーダをトレーニングし, 256次元の潜伏空間に2万以上の遺伝子特性を還元し, 単球やリンパ球などの下流分化細胞の予測情報を収集する。
血液疾患診断タスクのためのフィードフォワード,トランスフォーマー,グラフ畳み込みアーキテクチャをトレーニングすることで,これらの埋め込みの質を検証する。
また、前駆体疾患状態分類モデルを用いて、下流の細胞状態を分類するゼロショット予測についても検討する。
我々のモデルは多クラス分類において95%以上の精度を達成し、ゼロショット設定では2進分類タスクにおいて0.7 F1スコア以上を達成する。
今後は、特にリンパ球の分類における堅牢性を高めるために、埋め込みをさらに改善していく予定である。
関連論文リスト
- Detection and Classification of Acute Lymphoblastic Leukemia Utilizing Deep Transfer Learning [0.0]
本研究は, 白血病を4段階にわたって診断するための新しいアプローチを提案する。
我々は2つの畳み込みニューラルネットワーク(CNN)モデルを,頭とカスタムモデルを備えたMobileNetV2として採用した。
カスタムモデルは98.6%の精度を達成し、MobileNetV2は99.69%の精度を達成した。
論文 参考訳(メタデータ) (2025-01-24T04:16:03Z) - MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。
セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文 参考訳(メタデータ) (2024-06-12T15:22:56Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳(メタデータ) (2024-04-26T16:39:50Z) - DinoBloom: A Foundation Model for Generalizable Cell Embeddings in Hematology [1.3551232282678036]
血液学における単細胞画像の最初の基盤モデルであるDinoBloomを紹介した。
本モデルは末梢血と骨髄のスミアの13種類の多種多様な公開データセットの広範囲な収集に基づいて構築されている。
4つのDinoBloomモデルのファミリーは、幅広い下流アプリケーションに適応することができる。
論文 参考訳(メタデータ) (2024-04-07T17:25:52Z) - FlowCyt: A Comparative Study of Deep Learning Approaches for Multi-Class Classification in Flow Cytometry Benchmarking [1.6712896227173808]
FlowCytは、フローコードされたデータにおいて、マルチクラスのシングルセル分類のための最初の包括的なベンチマークである。
このデータセットは、30人の患者の骨髄サンプルからなり、各細胞は12個のマーカーで特徴づけられる。
論文 参考訳(メタデータ) (2024-02-28T15:01:59Z) - 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) - A Continual Learning Approach for Cross-Domain White Blood Cell
Classification [36.482007703764154]
白血球分類におけるクラスインクリメンタルおよびドメインインクリメンタルシナリオに対するリハーサルに基づく連続学習手法を提案する。
従来のタスクから代表サンプルを選択するために,モデルの予測に基づいてセット選択を用いる。
色,解像度,クラス組成が異なる3つの白血球分類データセットについて,提案手法を徹底的に評価した。
論文 参考訳(メタデータ) (2023-08-24T09:38:54Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - Deep CNNs for Peripheral Blood Cell Classification [0.0]
我々は、顕微鏡的末梢血細胞画像データセットに基づいて、27の人気の深層畳み込みニューラルネットワークアーキテクチャをベンチマークした。
血液細胞分類のためのImageNetデータセットに事前トレーニングされた最先端画像分類モデルを微調整する。
論文 参考訳(メタデータ) (2021-10-18T17:56:07Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - 1-D Convlutional Neural Networks for the Analysis of Pupil Size
Variations in Scotopic Conditions [79.71065005161566]
1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。
モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
論文 参考訳(メタデータ) (2020-02-06T17:25:37Z)
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。