論文の概要: Resolving superposition in AI for interpretability and cross-modal alignment in patient-neuronal images

• arxiv url: http://arxiv.org/abs/2606.31394v1
• Date: Tue, 30 Jun 2026 09:22:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.164536
• Title: Resolving superposition in AI for interpretability and cross-modal alignment in patient-neuronal images
• Title（参考訳）: AIにおける重ね合わせの解法 : 患者-ニューロン画像における解釈可能性と相互アライメント
• Abstract要約: 患者由来のパーキンソン病と健常ニューロンの10万枚以上の多重画像に基づいて訓練したスパースオートエンコーダを用いて重畳を解決する。 このアプローチは、解釈可能な潜在表現解析に移行することにより、特徴属性の数学的非特異性をバイパスする。 GW-mapを導入し,Gromov-Wasserstein の最適トランスポートを利用して,これらの画像表現を真正な scRNA-seq データemphde novo と整合させる。
• 参考スコア（独自算出の注目度）: 0.26521035057637576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence is transforming our capability to solve biological challenges. In dimensionality bottleneck regimes exacerbated by high-dimensional biological data, Neural networks force distinct concepts into the lower dimensions known as superposition. Although this superposition is widely known to hinder interpretability, its impact on corrupting the geometry of latent spaces remains critically overlooked. Here, we utilized sparse autoencoders (SAEs) trained on over 100,000 multiplexed images of patient-derived Parkinson's disease and healthy neurons to resolve superposition. This approach bypasses the mathematical non-uniqueness of feature attribution by shifting to interpretable latent representation analysis. We theoretically and empirically demonstrate that superposition contaminates representational metric spaces, and thereby SAEs successfully recover geometric fidelity. By treating these geometrically purified representations as single-cell state vectors, we adapted single-cell RNA sequencing (scRNA-seq) data analysis methodologies directly to the image domain. Finally, we introduce GW-map, utilizing Gromov-Wasserstein optimal transport to align these image representations with authentic scRNA-seq data \emph{de novo}. This coupling reconstructs hierarchical neuronal pathology pathways such as Calcium-AIS scaffold, without reference spatial transcriptomics, establishing a scalable foundation for spatial biology. Code is available at https://github.com/jijihihi/Bio_superposition
• Abstract（参考訳）: 人工知能は、生物学的課題を解決する能力を変えつつある。 高次元の生物学的データによって悪化する次元ボトルネックでは、ニューラルネットワークは異なる概念を重ね合わせとして知られる低次元に強制する。 この重ね合わせは解釈可能性を妨げることが広く知られているが、潜在空間の幾何学の腐敗に対する影響は、批判的に見落とされ続けている。 そこで我々は、患者由来のパーキンソン病と健常ニューロンの10万以上の多重画像に基づいて訓練されたスパースオートエンコーダ(SAE)を用いて、重ね合わせを解決する。 このアプローチは、解釈可能な潜在表現解析に移行することにより、特徴属性の数学的非特異性をバイパスする。 我々は,重ね合わせが表現距離空間を汚染し,SAEが幾何忠実度を回復できることを理論的および実証的に実証した。 これらの幾何学的に精製された表現を単一セル状態ベクトルとして扱うことにより、単一セルRNAシークエンシング(scRNA-seq)データ解析手法を画像領域に直接適用した。 最後にGW-mapを導入し、Gromov-Wasserstein の最適輸送を利用して、これらの画像表現を真正な scRNA-seq データ \emph{de novo} と整合させる。 この結合は、空間転写学を参考にすることなく、カルシウム-AISスキャフォールドのような階層的な神経病理経路を再構築し、空間生物学のスケーラブルな基盤を確立する。 コードはhttps://github.com/jijihihi/Bio_superpositionで公開されている。

関連論文リスト

• MUMINS: Metadata-conditioned Uncertainty-aware Medical Image Next-state Synthesis [12.80647654676651]
  我々は,効率的な拡散フレームワークであるMUMINS(Metadata-conditioned Uncertainty-aware Medical Image Next-state Synthesis)を提案する。 ベースラインスキャンとフォローアップ残差を共同で拡散し、フォローアップスキャンを合成し、空間不確実性マップを同時に予測する。 臓器に依存しない設計で、同じアーキテクチャは、別々のデータセット固有の再トレーニングを通じて解剖学的に再利用される。
  論文  参考訳（メタデータ） (2026-09-15T13:32:37Z)
• Fake It Right: Injecting Anatomical Logic into Synthetic Supervised Pre-training for Medical Segmentation [21.75204301463342]
  ビジョントランスフォーマー(ViT)は3次元の医療セグメンテーションで優れるが、大量のデータセットを必要とする。 Formula-Driven Supervised Learning (F)は、合成数学的プリミティブを事前学習することで、プライバシ保護の代替手段を提供する。 本稿では,Fの無限拡張性と解剖学的リアリズムを一体化するための注釈付きインフォームド・シンセティック・アナトロジー・プレトレーニング・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-01T08:15:18Z)
• HypCBC: Domain-Invariant Hyperbolic Cross-Branch Consistency for Generalizable Medical Image Analysis [1.8747639074211104]
  医用画像解析における双曲表現学習の総合的検証について述べる。 我々は11の分布内データセットと3つのViTモデルに対して統計的に有意な利得を示した。 提案手法は,ドメイン不変性を促進し,平均2.1%のAUCで最先端のユークリッド法より優れる。
  論文  参考訳（メタデータ） (2026-02-03T08:50:24Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Modelling Technical and Biological Effects in scRNA-seq data with Scalable GPLVMs [6.708052194104378]
  我々は,ガウス過程潜在変数モデルである確率的非線形次元減少に対する一般的なアプローチを拡張し,大規模単一セルデータセットに拡張する。 鍵となる考え方は、高速な変動推論を可能にする下位境界の分解可能性を保存する拡張カーネルを使用することである。
  論文  参考訳（メタデータ） (2022-09-14T15:25:15Z)
• Robust Segmentation of Brain MRI in the Wild with Hierarchical CNNs and no Retraining [1.0499611180329802]
  クリニックで取得した脳MRIスキャンの振り返り分析は、研究データセットよりもはるかに大きなサンプルサイズを持つ神経画像研究を可能にする可能性がある。 画像分割のための畳み込みニューラルネットワーク(CNN)と領域ランダム化の最近の進歩は、大規模な臨床MRIの形態計測を可能にする可能性がある。 一般的にSynthSegは頑健であるが,低信号-雑音比,組織コントラストの低いスキャンではフェールすることが多い。 条件付きセグメンテーションとCNNの階層構造を用いてこれらの問題を緩和する新しい手法であるSynthSeg+を提案する。
  論文  参考訳（メタデータ） (2022-03-03T19:18:28Z)
• Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
  ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
  論文  参考訳（メタデータ） (2020-11-24T01:53:39Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Neural Cellular Automata Manifold [84.08170531451006]
  ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。 これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。 生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
  論文  参考訳（メタデータ） (2020-06-22T11:41:57Z)

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。