論文の概要: Data-Driven Predictive Modeling of Microfluidic Cancer Cell Separation Using a Deterministic Lateral Displacement Device

• arxiv url: http://arxiv.org/abs/2511.17787v1
• Date: Fri, 21 Nov 2025 21:08:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.427857
• Title: Data-Driven Predictive Modeling of Microfluidic Cancer Cell Separation Using a Deterministic Lateral Displacement Device
• Title（参考訳）: 決定論的側方変位デバイスを用いた微小流体性癌の細胞分離に関するデータ駆動予測モデル
• Authors: Elizabeth Chen, Andrew Lee, Tanbir Sarowar, Xiaolin Chen,
• Abstract要約: 本研究は, 肺がん細胞の選択的分離を促進するために, 行シフト率, ポストサイズ, ギャップ距離などのDLD設計パラメータの最適化に焦点を当てた。 希少なCTC検出の課題を克服し、計算集約的なシミュレーションへの依存を減らすため、機械学習モデルを採用している。
• 参考スコア（独自算出の注目度）: 4.341998130855981
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deterministic Lateral Displacement (DLD) devices are widely used in microfluidics for label-free, size-based separation of particles and cells, with particular promise in isolating circulating tumor cells (CTCs) for early cancer diagnostics. This study focuses on the optimization of DLD design parameters, such as row shift fraction, post size, and gap distance, to enhance the selective isolation of lung cancer cells based on their physical properties. To overcome the challenges of rare CTC detection and reduce reliance on computationally intensive simulations, machine learning models including gradient boosting, k-nearest neighbors, random forest, and multilayer perceptron (MLP) regressors are employed. Trained on a large, numerically validated dataset, these models predict particle trajectories and identify optimal device configurations, enabling high-throughput and cost-effective DLD design. Beyond trajectory prediction, the models aid in isolating critical design variables, offering a systematic, data-driven framework for automated DLD optimization. This integrative approach advances the development of scalable and precise microfluidic systems for cancer diagnostics, contributing to the broader goals of early detection and personalized medicine.
• Abstract（参考訳）: DLD(Deterministic Lateral Displacement)デバイスは、ラベルのない粒子と細胞を分離するためのマイクロ流体学で広く使われており、特に早期がん診断のための循環性腫瘍細胞(CTC)の分離において有望である。 本研究は, DLD設計パラメータである行シフト率, ポストサイズ, ギャップ距離の最適化に着目し, 肺がん細胞の物理的特性に基づく選択的分離性を高めることを目的とした。 希少なCTC検出の課題を克服し、計算集約的なシミュレーションへの依存を減らすため、勾配押し上げ、k-アネレスト隣人、ランダムフォレスト、多層パーセプトロン(MLP)回帰器を含む機械学習モデルが採用されている。 大規模で数値的に検証されたデータセットに基づいて、これらのモデルは粒子軌道を予測し、最適なデバイス構成を特定し、高スループットで費用対効果の高いDLD設計を可能にする。 軌道予測以外にも、モデルは重要な設計変数の分離を支援し、自動DLD最適化のための体系的なデータ駆動フレームワークを提供する。 この統合的アプローチは、がん診断のためのスケーラブルで正確なマイクロ流体システムの開発を前進させ、早期発見とパーソナライズド医療の幅広い目標に寄与する。

関連論文リスト

• Periodicity-Enforced Neural Network for Designing Deterministic Lateral Displacement Devices [4.743321030941228]
  本稿では, 周期層, ニューラルネットワークコンポーネントを組み込んだ周期性強化サロゲートモデリング手法を提案する。 提案手法は3つのサブネットワークを用いて, 臨界径や粒子軌道を直接予測するのではなく, 定常, 非次元速度, 圧力場を予測する。
  論文  参考訳（メタデータ） (2025-11-21T20:14:16Z)
• Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data [45.87606039212519]
  シングルセル技術は、細胞の高次元点雲を生成する。 各患者は単純なベクトルではなく不規則な点雲で表される。 線形最適輸送フレームワークを用いて不規則点雲を固定次元ユークリッド空間に埋め込む。
  論文  参考訳（メタデータ） (2025-10-24T21:33:12Z)
• MS-YOLO: A Multi-Scale Model for Accurate and Efficient Blood Cell Detection [6.8030283745347155]
  本研究は, YOLOv11フレームワークに基づく血液細胞検出モデルであるマルチスケールYOLO (MS-YOLO) を提案する。 MS-YOLOは検出性能を高めるために3つの重要なアーキテクチャ革新を取り入れている。
  論文  参考訳（メタデータ） (2025-06-04T14:02:24Z)
• ScaleMAI: Accelerating the Development of Trusted Datasets and AI Models [46.80682547774335]
  我々はAI統合データキュレーションとアノテーションのエージェントであるScaleMAIを提案する。 まず、ScaleMAIは25,362個のCTスキャンを作成した。 第2に、プログレッシブなヒューマン・イン・ザ・ループのイテレーションを通じて、ScaleMAIはFragship AI Modelを提供する。
  論文  参考訳（メタデータ） (2025-01-06T22:12:00Z)
• LV-CadeNet: A Long-View Feature Convolution-Attention Fusion Encoder-Decoder Network for EEG/MEG Spike Analysis [11.73048215393441]
  脳磁図(MEG)や脳波記録(EEG)における間質性てんかん状放電(IED)の解析はてんかんの診断において重要な要素である。 現在のアプローチでは、臨床専門家の診断知性を2つの重要な側面で完全にエミュレートすることができない。 本稿では,人工知能のギャップを埋める新しいディープラーニングフレームワークLV-CadeNetを提案する。
  論文  参考訳（メタデータ） (2024-12-12T03:19:44Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Sparse high-dimensional linear mixed modeling with a partitioned empirical Bayes ECM algorithm [41.25603565852633]
  この研究は、高次元LMMに対する効率的かつ正確なベイズ的枠組みを示す。 このアプローチの斬新さは、パーティショニングとパラメータ拡張と、高速でスケーラブルな計算にある。 実世界の例では、小児のループスの研究データを用いて、新しいループスバイオマーカーに関連する遺伝子と臨床因子を特定し、時間とともにバイオマーカーを予測する。
  論文  参考訳（メタデータ） (2023-10-18T19:34:56Z)
• Multi-objective optimization based network control principles for identifying personalized drug targets with cancer [1.7644346597801848]
  個人患者の高次元的パーソナライズされたゲノムプロファイルからパーソナライズドドラッグターゲット(PDT)を特定するための効率的なモデルを開発することは大きな課題である。 最近の構造的ネットワーク制御の原則は、パーソナライズされた遺伝子相互作用ネットワーク(PGIN)において最適なドライバ遺伝子群を選択することによってPDTを発見する新しいアプローチを導入した。 本稿では,最小ドライバノードと既知薬物標的情報の最大値を考慮し,多目的最適化に基づく構造的ネットワーク制御原理(MONCP)を提案する。
  論文  参考訳（メタデータ） (2023-06-23T07:56:39Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

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。