論文の概要: Towards Label-Free Single-Cell Phenotyping Using Multi-Task Learning

• arxiv url: http://arxiv.org/abs/2605.14717v1
• Date: Thu, 14 May 2026 11:38:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.797984
• Title: Towards Label-Free Single-Cell Phenotyping Using Multi-Task Learning
• Title（参考訳）: マルチタスク学習を用いたラベルフリーシングルセル・ペノタイピングに向けて
• Authors: Saqib Nazir, Ardhendu Behera,
• Abstract要約: 本稿では,ラベルフリー微分位相コントラスト(DPC)画像からWhite Blood Cell (WBC)分類と連続タンパク質発現レグレッションを共同で行う統合ディープラーニングフレームワークを提案する。 バークレー単細胞顕微鏡(BSCCM)と血液細胞画像ベンチマークの実験は、強い性能を示した。 これらの結果は, ラベルフリー単細胞イメージングによる, 低コストな血液学的プロファイリングの可能性を強調し, 蛍光染色を伴わない同時表現型同定と定量的バイオマーカー推定を可能にした。
• 参考スコア（独自算出の注目度）: 3.846593903209593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Label-free single-cell imaging offers a scalable, non-invasive alternative to fluorescence-based cytometry, yet inferring molecular phenotypes directly from bright-field morphology remains challenging. We present a unified Deep Learning (DL) framework that jointly performs White Blood Cell (WBC) classification and continuous protein-expression regression from label-free Differential Phase Contrast (DPC) images. Our model employs a Hybrid architecture that fuses convolutional fine-grained texture features with transformer-based global representations through a learnable cross-branch gating module, enabling robust morpho-molecular inference from DPC images. To support downstream interpretability, we further incorporate a Large Language Model (LLM) that generates concise, biologically grounded summaries of the predicted cell states. Experiments on the Berkeley Single Cell Computational Microscopy (BSCCM) and Blood Cells Image benchmarks demonstrate strong performance, achieving a 91.3% WBC classification accuracy and a 0.72 Pearson correlation for CD16 expression regression on BSCCM. These results underscore the promise of label-free single-cell imaging for cost-effective hematological profiling, enabling simultaneous phenotype identification and quantitative biomarker estimation without fluorescent staining. The source code is available at https://github.com/saqibnaziir/Single-Cell-Phenotyping.
• Abstract（参考訳）: ラベルフリーの単一細胞イメージングは、蛍光ベースのサイトメトリーに代わるスケーラブルで非侵襲的な代替手段を提供するが、明るい磁場形態から直接分子の表現型を推測することは依然として困難である。 本稿では,ラベルフリー微分位相コントラスト(DPC)画像からWBC分類と連続タンパク質発現を共同で行う統合型ディープラーニング(DL)フレームワークを提案する。 我々のモデルでは,DPC画像からの堅牢なモルフォ分子推論を実現するために,畳み込みの微細なテクスチャ特徴とトランスフォーマーに基づくグローバル表現とを融合したハイブリッドアーキテクチャを用いている。 下流の解釈性を支援するために,予測されたセル状態の簡潔で生物学的に基底付けられた要約を生成するLarge Language Model (LLM) を更に組み込んだ。 Berkeley Single Cell Computational Microscopy (BSCCM)とBlood Cells Imageベンチマークの実験では、BSCCM上でのCD16発現の回帰に対する91.3%のWBC分類精度と0.72のピアソン相関を達成した。 これらの結果は, ラベルフリー単細胞イメージングによる, 低コストな血液学的プロファイリングの可能性を強調し, 蛍光染色を伴わない同時表現型同定と定量的バイオマーカー推定を可能にした。 ソースコードはhttps://github.com/saqibnaziir/Single-Cell-Phenotypingで公開されている。

関連論文リスト

• Lingshu-Cell: A generative cellular world model for transcriptome modeling toward virtual cells [48.885716676667776]
  Lingshu-Cellは、転写状態の分布を学習し、摂動下で条件シミュレーションをサポートする離散拡散モデルである。 約18,000の遺伝子にまたがる複雑なトランスクリプトーム全体の発現依存性を、以前の遺伝子選択に頼らずに捕捉する。 これは、Virtual Cell Challenge H1遺伝子摂動ベンチマークにおいて、ヒトPBMCのサイトカイン誘発反応の予測において、主要な性能を発揮する。
  論文  参考訳（メタデータ） (2026-03-26T09:46:27Z)
• AgriPath: A Systematic Exploration of Architectural Trade-offs for Crop Disease Classification [45.52399819498234]
  本研究は、細粒度作物病分類のための3つのモデルパラダイムの体系的比較を示す。 我々は16の作物と41の病気にまたがる111kの画像を含むベンチマークであるAgriPath-LF16を紹介する。 CNNは画像の精度が最も高いが、ドメインシフトによって劣化する。 対照的なVLMは、競合するクロスドメイン性能を持つ堅牢でパラメータ効率の良い代替手段を提供する。
  論文  参考訳（メタデータ） (2026-03-08T17:28:01Z)
• MSDM: Generating Task-Specific Pathology Images with a Multimodal Conditioned Diffusion Model for Cell and Nuclei Segmentation [0.3650448386461648]
  セルと核のセグメンテーションのための画素精度画像-マスクペアを生成するためのマルチモーダルセマンティック拡散モデルを提案する。 生成過程を細胞核形態で条件付けすることで、MSDMは所望のモルフォロジー特性を持つデータセストを生成する。 細胞・核セグメンテーションモデルの堅牢性と一般化性を向上させるために,多モード拡散に基づく拡張の有効性を強調した。
  論文  参考訳（メタデータ） (2025-10-10T08:23:14Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• Detecting immune cells with label-free two-photon autofluorescence and deep learning [2.096497520824982]
  我々は、このラベルのないAFを入力として、細胞タイプを分類するために畳み込みニューラルネットワーク(CNN)を訓練した。 低複雑さのSwitchNetアーキテクチャは、信頼できる免疫細胞分類結果を達成することができた。 将来的には、このような予測型DLモデルは、定着していない画像の特定の免疫細胞を直接検出できるだろう。
  論文  参考訳（メタデータ） (2025-06-17T12:14:02Z)
• Augmentation-Based Deep Learning for Identification of Circulating Tumor Cells [0.18846515534317262]
  CTCは液体生検において重要なバイオマーカーであり、がん患者の管理に非侵襲的なツールを提供する。 伝統的に、DEPArrayが取得したデジタル画像は手動で解析されるため、プロセスは時間がかかり、変動しがちである。 血液サンプル中の白血球とCTCを区別するディープラーニングに基づく分類パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-03-05T11:39:15Z)
• Interpretable Embeddings for Segmentation-Free Single-Cell Analysis in Multiplex Imaging [1.8687965482996822]
  多重イメージング(MI)は、複数の生物学的マーカーを、細胞内解像度で別々のイメージングチャネルで同時に可視化することを可能にする。 本稿では,グループ化畳み込みを利用して各画像チャンネルから解釈可能な埋め込み特徴を学習するセグメンテーションフリーなディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-11-02T11:21:33Z)
• Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples [94.37521840642141]
  生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。 これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
  論文  参考訳（メタデータ） (2022-03-23T00:58:27Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。