論文の概要: CodeCytos: AI-assisted spatial molecular imaging analysis via code-augmented agent action space
- arxiv url: http://arxiv.org/abs/2606.00472v1
- Date: Sat, 30 May 2026 01:37:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.478733
- Title: CodeCytos: AI-assisted spatial molecular imaging analysis via code-augmented agent action space
- Title（参考訳）: CodeCytos: コード拡張エージェントアクション空間によるAI支援空間分子画像解析
- Abstract要約: 我々は,空間的分子イメージング解析のためのコーディングベースの推論エージェントであるCodeCytosを提案する。
CodeCytosは、カスタム空間セルの探索を効率化し、多様な研究ニーズに対応するように設計されている。
本研究は, 組織タイプ別4つの専門的分類データセットのケーススタディを通じて, その有用性を実証する。
- 参考スコア（独自算出の注目度）: 2.9782642531825467
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Conventional tissue image analysis software provides foundational capabilities for cellular analysis, including segmentation, basic morphological feature extraction, and spatial organization analysis. However, these tools often require manual intervention and are not well integrated with code-driven automation, limiting efficiency and scalability for complex spatial tissue studies. In addition, they offer limited flexibility for custom analyses, as they typically support only a fixed set of pre-implemented spatial cellular features. To address these limitations, we propose CodeCytos, a coding-based reasoning agent framework that enables dynamic, programmable interaction with spatial molecular imaging data to improve automation and customization. CodeCytos is designed to streamline the exploration of custom spatial cellular features and adapt to diverse research needs. We demonstrate its utility through case studies on four expert-curated datasets from distinct tissue types: frontal cortex, non-small-cell lung cancer, pancreas, and tonsil. We evaluate CodeCytos under a realistic minimal prompt setting, where bioscientists pose simple questions without task-specific instructions or contextual information about spatial cellular analysis, and benchmark multiple LLM backbones with strong coding capabilities. We further show that incorporating tailored, domain-agnostic few-shot in-context coding-reasoning examples (randomly sampled demonstrations outside the spatial analysis domain) can substantially improve performance without requiring costly, expert-crafted in-domain demonstrations. Overall, CodeCytos outperforms baseline approaches, highlighting the potential of code-action agents to assist with custom feature exploration in spatial molecular imaging and to accelerate biomarker discovery.
- Abstract（参考訳）: 従来の組織画像解析ソフトウェアは, セグメンテーション, 基本形態的特徴抽出, 空間構造解析など, 細胞解析の基礎的機能を提供している。
しかしながら、これらのツールは手動の介入を必要とすることが多く、複雑な空間組織研究の効率性とスケーラビリティを制限するコード駆動自動化と十分に統合されていない。
さらに、それらは通常、実装済みの空間的な特徴の固定セットのみをサポートするため、カスタム分析に限られた柔軟性を提供する。
これらの制約に対処するため,コーディングベースの推論エージェントフレームワークであるCodeCytosを提案する。
CodeCytosは、カスタム空間セルの探索を効率化し、多様な研究ニーズに対応するように設計されている。
本研究は, 前頭皮質, 非小細胞肺癌, 膵臓, 扁桃の4種類の組織から抽出された4つの専門的データセットのケーススタディを通じて有用性を示す。
我々は、CodeCytosを現実的な最小限のプロンプトで評価し、そこでは、バイオサイエントがタスク固有の指示や空間セル解析に関する文脈情報なしで簡単な質問を提示し、強力なコーディング機能を持つ複数のLCMバックボーンをベンチマークする。
さらに,空間解析領域外におけるランダムなサンプル・サンプル・サンプル・サンプル・サンプル・サンプル・イン・コンテクスト・イン・コンテクスト・コーディング・アソナリング・サンプルを組み込むことで,高コストで専門家によるイン・ドメイン・デモを必要とせず,性能を大幅に向上させることができることを示す。
全体として、CodeCytosはベースラインアプローチよりも優れており、空間的分子イメージングにおけるカスタムフィーチャ探索を支援し、バイオマーカー発見を加速するためのコードアクションエージェントの可能性を強調している。
関連論文リスト
- SpatialClaw: Rethinking Action Interface for Agentic Spatial Reasoning [99.49739831030388]
このインタフェースの設計は,オープンエンド空間推論のためのエージェントのキャパシティをいかに形作るかを検討する。
本研究では,アクションインタフェースとしてコードを採用する空間推論のためのトレーニングフリーフレームワークであるSpatialClawを提案する。
論文 参考訳（メタデータ） (2026-06-11T17:59:36Z) - Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。
In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。
IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
論文 参考訳（メタデータ） (2026-03-11T06:14:11Z) - Few-Shot Video Object Segmentation in X-Ray Angiography Using Local Matching and Spatio-Temporal Consistency Loss [13.850743997507488]
探索空間を最も近いピクセルに制限する局所マッチング戦略を用いた新しいFSVOSモデルを提案する。
具体的には、動的に異なるサンプリング領域を実現できる非パラメトリックサンプリング機構を実装した。
この研究は、幅広い臨床応用のための強化されたポテンシャルを提供する。
論文 参考訳（メタデータ） (2026-01-02T21:26:28Z) - TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。
TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-12-24T12:06:26Z) - SPAC: A Python Package for Spatial Single-Cell Analysis of Multiplex Imaging [5.237621269762442]
多重蛍光顕微鏡は、空間的に解決された複数のバイオマーカーの詳細な測定を同時に取得する。
我々は,PythonベースのパッケージであるSPAC(SPAtial Single-Cell Analysis)を開発し,モジュール型SPACエコシステム内で対応する光沢のあるアプリケーションを開発した。
論文 参考訳（メタデータ） (2025-06-02T11:36:32Z) - Multiplex Imaging Analysis in Pathology: a Comprehensive Review on Analytical Approaches and Digital Toolkits [0.7968706282619793]
マルチ多重イメージングは、複数のバイオマーカーを1つのセクションで同時に視覚化することを可能にする。
多重画像からのデータは、前処理、セグメンテーション、特徴抽出、空間解析のための洗練された計算方法を必要とする。
PathMLは、画像分析を効率化するAIベースのプラットフォームで、臨床および研究環境では複雑な解釈がアクセス可能である。
論文 参考訳（メタデータ） (2024-11-01T18:02:41Z) - Generalizing Segmentation Foundation Model Under Sim-to-real Domain-shift for Guidewire Segmentation in X-ray Fluoroscopy [1.4353812560047192]
Sim-to-real ドメイン適応アプローチは、コスト効率の良いソリューションを提供するシミュレーションから合成データを利用する。
対象領域のアノテーションを使わずに、SAMを蛍光X線ガイドワイヤセグメント化に適応させる戦略を提案する。
提案手法は、事前訓練されたSAMと、最先端のドメイン適応技術の両方を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2024-10-09T21:59:48Z) - UN-SAM: Universal Prompt-Free Segmentation for Generalized Nuclei Images [47.59627416801523]
デジタル病理学において、正確な核分割は、組織の種類、染色プロトコル、イメージング条件の多様性によって、重要な課題である。
我々はUniversal prompt-free SAM framework for Nuclei segmentation (UN-SAM)を提案する。
例外的な性能を持つUN-SAMは、核インスタンスやセマンティックセグメンテーションの最先端、特にゼロショットシナリオにおける一般化能力を上回っている。
論文 参考訳（メタデータ） (2024-02-26T15:35:18Z) - Learning Multiscale Consistency for Self-supervised Electron Microscopy
Instance Segmentation [48.267001230607306]
本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。
当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。
効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
論文 参考訳（メタデータ） (2023-08-19T05:49:13Z) - Organelle-specific segmentation, spatial analysis, and visualization of
volume electron microscopy datasets [1.5332481598232222]
体積電子顕微鏡は、ナノメートルスケールでの細胞微細構造のその場調査のための方法である。
近年の技術進歩により、セグメント化と空間解析のための計算戦略を必要とする大規模な生画像データセットが急速に増加した。
本稿では,大容量電子顕微鏡データセットのオルガネラ特異的セグメンテーション,空間解析,可視化のための実用的でアノテーション効率のよいパイプラインについて述べる。
論文 参考訳（メタデータ） (2023-03-07T13:23:31Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z)
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。