論文の概要: Transcending the Annotation Bottleneck: AI-Powered Discovery in Biology and Medicine

• arxiv url: http://arxiv.org/abs/2602.20100v1
• Date: Mon, 23 Feb 2026 18:15:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.941296
• Title: Transcending the Annotation Bottleneck: AI-Powered Discovery in Biology and Medicine
• Title（参考訳）: アノテーションを超越する - 生物学と医学におけるAIによる発見
• Authors: Soumick Chatterjee,
• Abstract要約: 自己教師型学習は、現在バイオバンクスケールデータセットの潜在可能性を解き放っている。 本稿は「ラベルなし学習」の初歩的・最近の進歩を合成する。 教師なしのフレームワークが、遺伝可能な心臓の特徴を導き出し、組織学における空間的遺伝子発現を予測し、教師付きフレームワークに匹敵するまたは超越するパフォーマンスで病理を検出すること。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The dependence on expert annotation has long constituted the primary rate-limiting step in the application of artificial intelligence to biomedicine. While supervised learning drove the initial wave of clinical algorithms, a paradigm shift towards unsupervised and self-supervised learning (SSL) is currently unlocking the latent potential of biobank-scale datasets. By learning directly from the intrinsic structure of data - whether pixels in a magnetic resonance image (MRI), voxels in a volumetric scan, or tokens in a genomic sequence - these methods facilitate the discovery of novel phenotypes, the linkage of morphology to genetics, and the detection of anomalies without human bias. This article synthesises seminal and recent advances in "learning without labels," highlighting how unsupervised frameworks can derive heritable cardiac traits, predict spatial gene expression in histology, and detect pathologies with performance that rivals or exceeds supervised counterparts.
• Abstract（参考訳）: 専門家のアノテーションへの依存は、バイオメディシンへの人工知能の適用において、長い間、主要なレート制限ステップを構成してきた。 教師付き学習が臨床アルゴリズムの初期波を駆り立てる一方で、教師なしおよび自己監督型学習(SSL)へのパラダイムシフトは、現在、バイオバンクスケールデータセットの潜在可能性を解き放っている。 磁気共鳴画像(MRI)の画素、体積スキャンのボクセル、ゲノム配列のトークンなど、データ固有の構造から直接学習することで、新しい表現型の発見、遺伝学への形態学のリンク、人間のバイアスのない異常の検出が促進される。 本稿は「ラベルのない学習」における初歩的および最近の進歩を要約し、教師なしのフレームワークが遺伝性心の形質を引き出す方法、組織学における空間的遺伝子発現を予測し、教師付きフレームワークに匹敵する、あるいは超越するパフォーマンスの病因を検出することに焦点を当てる。

関連論文リスト

• Lost in Tokenization: Context as the Key to Unlocking Biomolecular Understanding in Scientific LLMs [78.18336140706471]
  Sci-LLMは、生物発見を加速するための有望なフロンティアとして登場した。 現在の戦略では生の生体分子配列を処理する際にSci-LLMの推論能力を制限する。 より効果的な戦略は、Sci-LLMに高レベルな構造化コンテキストを提供することである。
  論文  参考訳（メタデータ） (2025-10-27T09:03:21Z)
• Self-Supervised Cross-Encoder for Neurodegenerative Disease Diagnosis [6.226851122403944]
  縦型MRIスキャンにおける時間的連続性を利用した自己監督型クロスエンコーダフレームワークを提案する。 このフレームワークは、学習した表現を2つのコンポーネントに分解する: 静的表現は、対照的な学習によって制約され、安定した解剖学的特徴を捉え、動的表現は、時間的変化を反映する入力漸進正規化によってガイドされる。 アルツハイマー病神経画像イニシアチブデータセットの実験結果から,本手法は分類精度が向上し,解釈性が向上することが示された。
  論文  参考訳（メタデータ） (2025-09-09T11:52:24Z)
• E-ABIN: an Explainable module for Anomaly detection in BIological Networks [1.7999333451993955]
  E-ABINは、生体ネットワークにおける異常検出のための汎用的で説明可能なフレームワークである。 従来の機械学習とグラフベースのディープラーニング技術を組み合わせた、統一されたユーザフレンドリなプラットフォームだ。 膀胱癌とコリアック病の症例研究を通じてE-ABINの有用性を実証した。
  論文  参考訳（メタデータ） (2025-06-25T08:25:17Z)
• Identifying Critical Phases for Disease Onset with Sparse Haematological Biomarkers [0.0]
  臨床血液検査は、大規模生物医学研究のための新しい分子データ源である。 従来の計算法は、生物学的解釈性に欠けながら歪んだ学習信号とバイアス予測にアプローチする。 デルタバイオマーカートラジェクトリをモデル化するために,GNAN(Graph Neural Additive Networks)を用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-18T07:29:45Z)
• Knowledge-Guided Biomarker Identification for Label-Free Single-Cell RNA-Seq Data: A Reinforcement Learning Perspective [30.927272289309048]
  本稿では、既存の遺伝子選択アルゴリズムからのアンサンブル知識を利用して、予備的境界や事前知識を確立する反復的な遺伝子パネル選択戦略を提案する。 我々は、専門家の行動によって形成される報酬関数を通じて強化学習を取り入れ、動的洗練と遺伝子パネルの標的選択を可能にした。 本研究は, 単細胞ゲノムデータ解析における本手法の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-01-02T07:57:41Z)
• Spatial Temporal Graph Convolution with Graph Structure Self-learning for Early MCI Detection [9.11430195887347]
  本稿では,EMCI検出のための新しいグラフ構造自己学習機構を備えた空間時空間グラフ畳み込みネットワークを提案する。 The Alzheimer's Disease Neuroimaging Initiative databaseの結果は、我々の手法が最先端のアプローチより優れていることを示している。
  論文  参考訳（メタデータ） (2022-11-11T12:29:00Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• 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)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。