論文の概要: Data-Efficient and Interpretable Classification of Circulating Tumor Cell Phenotypes in Microfluidic Devices via Deep Learning

• arxiv url: http://arxiv.org/abs/2608.16870v1
• Date: Mon, 17 Aug 2026 17:51:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.831187
• Title: Data-Efficient and Interpretable Classification of Circulating Tumor Cell Phenotypes in Microfluidic Devices via Deep Learning
• Title（参考訳）: 深層学習による微小流体デバイスにおける循環型腫瘍細胞フェノタイプのデータ効率と解釈可能な分類
• Abstract要約: 腫瘍細胞(CTC)の分類を循環するための,解釈可能かつ効率的なフレームワークを提案する。 Subsequenceは、学習中の情報的局所軌道セグメントをランダムに抽出し、局所的なパターンからの学習を促進するターゲット拡張戦略である。 より広範に、提案フレームワークはマイクロ流体幾何学を細胞力学特性の物理エンコーダとみなしている。
• 参考スコア（独自算出の注目度）: 5.639853790073915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate classification of circulating tumor cell (CTC) phenotypes can provide valuable information for assessing metastatic potential. Label free microfluidic devices provide a hydrodynamic obstacle course that transforms subtle biophysical characteristics of CTCs, including size and deformability, into distinct kinematic trajectories. However, the highly nonlinear fluid structure interactions governing these trajectories make the inverse problem of inferring cellular phenotype from trajectory data analytically intractable. While deep neural networks (DNNs) have emerged as a powerful approach for addressing this inverse problem, their effectiveness is constrained by the limited availability of trajectory data and the lack of physical interpretability. To address these challenges, we propose an interpretable and data efficient DNN framework for trajectory based CTC classification. To mitigate the scarcity of data, we develop Subsequence (SubSeq), a targeted augmentation strategy that randomly extracts informative local trajectory segments during training to promote learning from localized patterns. We further apply Gradient Weighted Class Activation Mapping to identify the trajectory features and physical regions of the microfluidic device that drive model predictions. Experimental results demonstrate that SubSeq improves classification accuracy over the evaluated baseline and augmentation methods. Furthermore, interpretability analysis suggests that localized trajectory segments contain substantial biophysical information relevant to accurate classification. This provides justification for SubSeq and also highlights the redundancy of full-length trajectories. More broadly, the proposed framework views microfluidic geometries as physical encoders of cellular mechanical properties, providing mechanistic insights that may inform the future design of diagnostic devices.
• Abstract（参考訳）: 循環性腫瘍細胞(CTC)表現型の正確な分類は、転移能を評価する上で貴重な情報を提供することができる。 ラベルフリーのマイクロ流体デバイスは、CTCの微妙な生体物理学的特性、サイズや変形性を含む流体力学的障害コースを、異なるキネマティック軌道に変換する。 しかし,これらのトラジェクトリを制御している高非線形流体構造相互作用は,トラジェクトリデータから細胞表現型を推定する逆問題を引き起こす。 ディープニューラルネットワーク(DNN)は、この逆問題に対処するための強力なアプローチとして登場したが、その有効性は、軌跡データの可用性の制限と物理的解釈性の欠如によって制限されている。 これらの課題に対処するために、軌道に基づくCTC分類のための解釈可能かつ効率的なDNNフレームワークを提案する。 データの不足を軽減するため,訓練中に情報的局所軌道セグメントをランダムに抽出し,局所パターンからの学習を促進するためのSubsequence(SubSeq)を開発した。 さらに、モデル予測を駆動するマイクロ流体装置の軌道特徴および物理領域を特定するために、勾配重み付きクラス活性化マッピングを適用した。 実験結果から,SubSeqは評価ベースラインおよび拡張法よりも分類精度が向上することが示された。 さらに、解釈可能性分析により、局所的な軌道セグメントには、正確な分類に関連する重要な生体物理情報が含まれていることが示唆された。 これはSubSeqの正当化を提供するとともに、フル長のトラジェクトリの冗長性も強調する。 より広範に、提案フレームワークはマイクロ流体幾何学を細胞力学特性の物理エンコーダとみなし、診断装置の将来の設計を知らせる機械的洞察を提供する。

関連論文リスト

• Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
  本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。 この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。 提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
  論文  参考訳（メタデータ） (2026-06-15T18:19:17Z)
• Topological Flow Matching [56.16372813551555]
  フローマッチングは強力な生成モデリングフレームワークであり、そのシンプルさと強力な経験的パフォーマンスに価値がある。 トポロジカルフローマッチング(トポロジカルフローマッチング)は,トポロジカルフローマッチングの一般化である。 脳のfMRI、海流、地震イベント、交通流など、さまざまな構造化されたデータセットに対して、その効果を実証する。
  論文  参考訳（メタデータ） (2026-06-14T16:29:33Z)
• SpatialMAGIC: A Hybrid Framework Integrating Graph Diffusion and Spatial Attention for Spatial Transcriptomics Imputation [1.2744523252873352]
  SpaceMagicは、MAGICベースのグラフ拡散とトランスフォーマーベースの空間自己アテンションを組み合わせたハイブリッド計算モデルである。 SpaceMagicは、測定値の最先端ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-06T18:28:19Z)
• ECG-IMN: Interpretable Mesomorphic Neural Networks for 12-Lead Electrocardiogram Interpretation [1.7152890789230053]
  深層学習は心電図(ECG)の診断において専門家レベルのパフォーマンスを達成したが、これらのモデルの「黒い箱」の性質は臨床展開を妨げている。 本稿では,高分解能12リードECG分類に適した解釈可能なメソモルフィックニューラルネットワークECG-IMNを提案する。
  論文  参考訳（メタデータ） (2026-02-10T09:17:29Z)
• An AI-enabled tool for quantifying overlapping red blood cell sickling dynamics in microfluidic assays [5.577003343220155]
  このフレームワークは、AIによるアノテーション、セグメンテーション、分類、インスタンスカウントを統合して、赤血球の集団を定量化する。 これは、密封された細胞懸濁液を介して実験的スループットを2倍以上にし、薬物依存的な病的行動を捉え、細胞の形態的進化の機械生物学的特徴を明らかにすることができる。
  論文  参考訳（メタデータ） (2026-01-25T05:32:53Z)
• Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data [45.87606039212519]
  シングルセル技術は、細胞の高次元点雲を生成する。 各患者は単純なベクトルではなく不規則な点雲で表される。 線形最適輸送フレームワークを用いて不規則点雲を固定次元ユークリッド空間に埋め込む。
  論文  参考訳（メタデータ） (2025-10-24T21:33:12Z)
• Neural FIM for learning Fisher Information Metrics from point cloud data [71.07939200676199]
  我々は、ポイントクラウドデータからフィッシャー情報量(FIM)を計算するためのニューラルFIMを提案する。 本稿では,PHATE可視化手法のパラメータの選択と,IPSCリプログラミングとPBMC(免疫細胞)の2つの単一セルデータセットと,おもちゃデータセットの分岐点とクラスタセンターの埋め込みに関する情報を得る能力について述べる。
  論文  参考訳（メタデータ） (2023-06-01T17:36:13Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)

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。