Fugu-MT 論文翻訳(概要): Privacy-Preserving Detection of Rare Disease-Associated Cell Subsets via Secure Multi-Party Computation

論文の概要: Privacy-Preserving Detection of Rare Disease-Associated Cell Subsets via Secure Multi-Party Computation

arxiv url: http://arxiv.org/abs/2608.20118v1
Date: Thu, 20 Aug 2026 14:49:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-21 20:28:51.61332
Title: Privacy-Preserving Detection of Rare Disease-Associated Cell Subsets via Secure Multi-Party Computation
Title（参考訳）: セキュア多人数計算による希土類病関連細胞サブセットのプライバシ保護検出
Abstract要約: このタスクのために設計された畳み込みニューラルネットワーク(CNN)は、表現型関連細胞集団を0.01%の周波数で識別する能力を示した。本稿では,秘密共有データに基づくCellCnnのトレーニングと推論を可能にするセキュアなマルチパーティ計算フレームワークを提案する。
参考スコア（独自算出の注目度）: 0.7829352305480284
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The detection of rare disease-associated cell subsets from high-dimensional single-cell measurements is critical for understanding diseases such as leukaemia and viral infections. CellCnn, a convolutional neural network (CNN) designed for this task, has demonstrated the ability to identify phenotype-associated cell populations at frequencies as low as 0.01\%. Training such models reliably requires patient cohorts that are larger and more diverse than any single institution can typically assemble, and the underlying single-cell data is too sensitive to share across institutional boundaries under existing privacy regulations. We propose a secure multi-party computation (MPC) framework that enables the training and inference of CellCnn entirely on secret-shared data. This ensures that neither the participants nor the computing servers ever observe raw patient data or intermediate values. Evaluated on benchmark single-cell datasets for cytomegalovirus infection (CMV) and acute myeloid leukaemia (AML), our implementation preserves accuracy close to its plaintext counterpart while outperforming the prior privacy-preserving baseline. In contrast to earlier privacy-preserving approaches that removed components such as ReLU activations and bias terms, our method retains these key parts of the CellCnn architecture and supports accurate analysis without exposing raw patient data.
Abstract（参考訳）: 高次元単細胞測定による稀な疾患関連細胞サブセットの検出は、白血病やウイルス感染などの疾患を理解する上で重要である。この課題のために設計された畳み込みニューラルネットワーク(CNN)であるCellCnnは、0.01\%の周波数で表現型関連細胞集団を識別できることを実証した。このようなモデルを確実に訓練するには、単一の機関が通常組み立てられるものよりも大きく多様な患者コホートが必要である。本稿では,秘密共有データに基づくCellCnnのトレーニングと推論を可能にする,セキュアなマルチパーティ計算(MPC)フレームワークを提案する。これにより、参加者も計算サーバも、生の患者データや中間値を観察しないことが保証される。サイトメガロウイルス (CMV) と急性骨髄性白血病 (AML) のベンチマーク・シングルセル・データセットを用いて, 従来のプライバシ保存ベースラインよりも高い精度を保ちながら, 平文に近い精度を保っている。 ReLUアクティベーションやバイアス項などのコンポーネントを削除した初期のプライバシ保存アプローチとは対照的に,本手法はCellCnnアーキテクチャの重要な部分を保持し,生の患者データを公開せずに正確な解析をサポートする。

関連論文リスト

CytoBERT: A Foundation Model for Cytometry Data [0.7209218072712748]
CytoBERTは、可変マーカーパネルを持つシングルセルデータのための、公開され、オープンソースでオープンソースの基礎モデルである。大規模コーパス(異質なマーカーパネルと5000万以上の細胞を持つ15人のデータセット)上で、自己管理的に事前訓練される。マーカーの標準化により、細胞内で転写可能なマーカー間の関係を学習できるようになった。
論文参考訳（メタデータ） (2026-08-14T15:57:35Z)
Differentially Private Modeling of Disease Transmission within Human Contact Networks [5.169635993076461]
本稿では, センシティブネットワークに基づく疾病拡散シミュレーション研究のためのプライバシ保護パイプラインを提案する。単純感染性疾患モデルを用いたアプローチの有効性について検討した。
論文参考訳（メタデータ） (2026-04-08T18:34:20Z)
Key-Embedded Privacy for Decentralized AI in Biomedical Omics [43.072683741556126]
本稿では,Implicit Neural Representation に基づく軽量なフェデレーション学習手法 INFL を提案する。 INFLは、実用性を維持しながら、強力な制御可能なプライバシを実現し、下流の科学および臨床応用のためのユーティリティを保存する。
論文参考訳（メタデータ） (2026-03-30T12:04:50Z)
An N-of-1 Artificial Intelligence Ecosystem for Precision Medicine [1.2578552444269682]
N-of-1決定支援のためのマルチエージェントエコシステムを提案する。エージェントはモデルとエビデンス合成ツールの共有ライブラリーを描画する。このアプローチは、医療AIと第一原理 – 透明性があり、公平で、個人中心の医療 – を結びつけることを目指している。
論文参考訳（メタデータ） (2025-10-28T12:28:02Z)
Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
論文参考訳（メタデータ） (2025-05-30T14:42:02Z)
Fourier Asymmetric Attention on Domain Generalization for Pan-Cancer Drug Response Prediction [11.649397977546435]
本稿では,この課題に対処するため,FourierDrugと呼ばれる新しいドメイン一般化フレームワークを提案する。実験により,本モデルは多様なソースドメインからタスク関連特徴を効果的に学習し,未確認癌に対する薬物応答の正確な予測を行うことができた。これらの知見は,本手法の現実的臨床応用の可能性を明らかにするものである。
論文参考訳（メタデータ） (2025-02-06T12:53:45Z)
MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文参考訳（メタデータ） (2024-06-12T15:22:56Z)
DNA: Differentially private Neural Augmentation for contact tracing [62.740950398187664]
接触追跡はウイルスキャリアの早期検出による感染率の低下に有効な方法である。我々は、分散化された接触追跡において、最先端技術のプライバシー保証を大幅に改善する。この作業は、重要なプライバシー保証を維持しながら、ディープラーニングをコンタクトトレースに統合する上で、重要な第一歩となる。
論文参考訳（メタデータ） (2024-04-20T13:43:28Z)
Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文参考訳（メタデータ） (2023-11-28T09:14:55Z)
Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
論文参考訳（メタデータ） (2023-11-28T08:34:58Z)
Distribution-based Sketching of Single-Cell Samples [6.904244323294012]
我々は,免疫細胞型を基本周波数に保ちながら,すべての細胞のサブサンプルを限定的に選択するカーネル・ハーディングに基づく新規なスケッチ手法を提案する。我々は3つのフローとマスのデータセットと1つの単一セルRNAシークエンシングデータセットを用いてアプローチを検証した。
論文参考訳（メタデータ） (2022-06-30T19:43:06Z)
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。