論文の概要: Biologically Informed Representation Learning for Robust Cross-Center Generalization of MALDI-TOF Mass Spectrometry

• arxiv url: http://arxiv.org/abs/2608.08182v1
• Date: Sat, 08 Aug 2026 15:19:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.713985
• Title: Biologically Informed Representation Learning for Robust Cross-Center Generalization of MALDI-TOF Mass Spectrometry
• Title（参考訳）: MALDI-TOF質量分析法のロバストクロスセンター一般化のための生物学的インフォームド表現学習
• Abstract要約: 本稿では,生物学的に構造化された潜在表現を学習する確率的表現学習フレームワークであるDALMAを紹介する。 DALMAは2つの臨床センターで最先端のゼロショット微生物識別を一貫して達成している。 これらの結果は, 生体情報を用いた表現学習が, 臨床微生物学における堅牢かつ伝達可能なMLに有効な戦略であることを示している。
• 参考スコア（独自算出の注目度）: 40.562067521084394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning models for MALDI-TOF mass spectrometry have shown considerable promise for clinical microbiology tasks such as microbial identification and antimicrobial resistance prediction. However, their deployment across institutions remains limited by domain shift, as acquisition-specific variability often leads models to capture technical artifacts rather than transferable biological information. Existing representation learning approaches primarily address this problem through statistical domain alignment while largely overlooking the biological supervision naturally available in microbiology datasets. We introduce DALMA, a probabilistic representation learning framework that jointly models acquisition-specific variability and biological supervision to learn biologically structured latent representations. By combining domain-specific reconstruction with biologically guided representation learning, DALMA learns transferable representations that generalize across heterogeneous clinical centers without requiring institution-specific components at inference, enabling zero-shot deployment on previously unseen sites. We evaluate DALMA on a multi-center benchmark comprising seven datasets from three countries. DALMA consistently achieves state-of-the-art zero-shot microbial identification across two held-out clinical centers, while the learned representations also transfer effectively to antimicrobial resistance prediction. Furthermore, latent-space novelty estimation enables reliable selective prediction under previously unseen domain shifts. These results demonstrate that biologically informed representation learning provides an effective strategy for robust and transferable ML in clinical microbiology.
• Abstract（参考訳）: MALDI-TOF質量分析のための機械学習モデルは、微生物の同定や抗微生物抵抗性予測といった臨床微生物学のタスクにかなりの可能性を示唆している。 しかし、それらの組織間の展開はドメインシフトによって制限され続けており、取得固有の多様性は、しばしば、移行可能な生物学的情報ではなく、技術的アーティファクトをキャプチャするモデルに導かれる。 既存の表現学習アプローチは、主に統計領域アライメントを通じてこの問題に対処するが、主に微生物学データセットで自然に利用できる生物学的監督を見越す。 DALMAは,生物学的に構造化された潜在表現を学習するために,獲得固有の変数と生物学的監督を共同でモデル化する確率的表現学習フレームワークである。 ドメイン固有の再構成と生物学的にガイドされた表現学習を組み合わせることで、DALMAは異種の臨床センターをまたがる一般化可能な表現を推論時に施設固有のコンポーネントを必要とせずに学習し、これまで見つからなかった場所でゼロショット展開を可能にする。 DALMAを3カ国の7つのデータセットからなるマルチセンターベンチマークで評価した。 DALMAは、保持された2つの臨床センターにまたがる最先端のゼロショット微生物識別を一貫して達成する一方、学習された表現は、抗微生物抵抗性予測に効果的に移行する。 さらに、潜在空間の新規性推定は、未確認領域シフト下での信頼性の高い選択予測を可能にする。 これらの結果は, 生体情報を用いた表現学習が, 臨床微生物学における堅牢かつ伝達可能なMLに有効な戦略であることを示している。

関連論文リスト

• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• Benchmarking Machine Learning Models for Multi-Omics-Based Breast Cancer Prediction [0.0]
  エストロゲン受容体(ER)は乳癌の診断、予後、治療選択において重要なバイオマーカーである。 本研究では,ER状態予測のための古典的機械学習モデルの系統的ベンチマーク分析を提案する。
  論文  参考訳（メタデータ） (2026-06-27T02:46:40Z)
• MMBU: A Massive Multi-modal Biomedical Understanding Benchmark to Probe the Perception Capabilities of Vision-Language Models [83.50100003741628]
  ビジョンと言語モデル(VLM)は、バイオメディカルイメージングを変革する大きな可能性を秘めている。 本稿では,MMBU(Massive Multimodal Biomedical Understanding)ベンチマークを紹介する。 今までで最大のビジョンと言語ベンチマークで、35のサブモダリティと豊富な構造化メタデータをカバーしている。
  論文  参考訳（メタデータ） (2026-06-04T20:24:47Z)
• ViroBench: Benchmarking Nucleotide Foundation Models on Viral Genomics Tasks [86.89727311669937]
  我々は、ヌクレオチド基礎モデル(NFM)に特化して設計された最初の包括的かつ大規模ベンチマークであるViroBenchを紹介する。 ViroBench氏は、生物学的理解と潜伏するバイオセキュリティリスクという、2つの重要な側面にわたるモデルを評価し、4つのタスクタイプ内の18のさまざまなシナリオをカバーしている。 ViroBenchは、ウイルスヌクレオチド基盤モデルの研究のための解釈可能、診断的評価および再現可能な測定フレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-25T03:31:46Z)
• Momentum Memory for Knowledge Distillation in Computational Pathology [12.305907179979426]
  本稿では,モーメント記憶知識蒸留(MoMKD)を提案する。 MoMKDは最先端のMILとマルチモーダルKDベースラインを一貫して上回り、ヒストロジーのみの推論の下で強力な性能と一般化を提供する。
  論文  参考訳（メタデータ） (2026-02-24T21:51:12Z)
• EVA: Towards a universal model of the immune system [0.18149976637753015]
  免疫学と炎症の多モード基盤モデルとして,最初のクロス種EVAを紹介した。 EVAは、種、プラットフォーム、解像度のトランスクリプトミクスデータを調和させ、組織データを統合してリッチで統一された患者表現を生成する。 薬物開発パイプラインにまたがる39のタスクの総合的な評価スイートを紹介する。
  論文  参考訳（メタデータ） (2026-02-10T13:51:09Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Interpretability from a new lens: Integrating Stratification and Domain knowledge for Biomedical Applications [0.0]
  本稿では, バイオメディカル問題データセットの k-fold cross-validation (CV) への階層化のための新しい計算手法を提案する。 このアプローチはモデルの安定性を改善し、信頼を確立し、トレーニングされたIMLモデルによって生成された結果の説明を提供する。
  論文  参考訳（メタデータ） (2023-03-15T12:02:02Z)
• 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)

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。