論文の概要: Benchmarking Active Spot Selection for Cost-Efficient Spatial Transcriptomics

• arxiv url: http://arxiv.org/abs/2609.27208v1
• Date: Wed, 23 Sep 2026 01:16:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.816946
• Title: Benchmarking Active Spot Selection for Cost-Efficient Spatial Transcriptomics
• Title（参考訳）: コスト効率の良い空間転写学のためのアクティブスポット選択のベンチマーク
• Abstract要約: 我々は,空間転写学におけるアクティブラーニングと一様ランダムサンプリングのプールベースベンチマークを行う。 不確実性に基づくモンテカルロドロップアウト(MC-dropout)と時間出力不一致(TOD)による複数ラウンドの選択をシミュレートする。 我々は,1遺伝子あたりのPearson相関係数 (PCC) , 発現クラスターの一致, モランIの忠実度を評価した。
• 参考スコア（独自算出の注目度）: 9.682809994938294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial transcriptomics (ST) measures gene expression in tissue context, but dense capture grids can be costly and may repeatedly sample morphologically similar regions. Most active learning strategies were developed for categorical labels and independent samples. We conduct a retrospective pool-based benchmark of active learning versus uniform Random sampling for ST, where expression vectors are high-dimensional and continuous and candidates are spatially correlated. Using two fully profiled public ST cohorts, we mask candidate expression vectors and simulate multi-round selection with uncertainty-based Monte Carlo dropout (MC-dropout) and temporal output discrepancy (TOD), and diversity-based CoreSet and TypiClust-inspired selection. We compare 160 completed configurations at 5%, 10%, 30%, and 50% of the fold-wide training spot pool under patient-level cross-validation, with a separate full-label reference. Within each budget, strategies share the selection schedule, morphology-to-expression predictor, and optimization protocol. We assess mean per-gene within-slide Pearson correlation coefficient (PCC), expression-cluster agreement, and Moran's I fidelity. On HER2-positive breast cancer, pooled mean PCC differences from Random across the four active strategies were -0.0176, -0.0117, +0.0056, and +0.0057 at 5%, 10%, 30%, and 50%, respectively. On cutaneous squamous cell carcinoma (cSCC), three strategies were below Random at 5%, and all four were below Random at 10%. On HER2-positive breast cancer, CoreSet and MC-dropout had lower PCC but higher expression-cluster agreement than Random at the two smallest budgets; this pattern did not reproduce on cSCC. Under the reported fixed training horizons, the evaluated active strategies do not consistently improve on Random at small budgets, and rankings depend on the evaluation measure.
• Abstract（参考訳）: 空間転写学(ST)は、組織コンテキストにおける遺伝子発現を測定するが、高密度キャプチャグリッドはコストがかかり、形態学的に類似した領域を繰り返しサンプリングすることができる。 ほとんどのアクティブな学習戦略は分類ラベルと独立したサンプルのために開発された。 本稿では,STに対するアクティブ・ラーニングとランダム・サンプリングの反面,表現ベクトルが高次元かつ連続的であり,候補が空間的相関関係にある場合の振り返り・プール・ベース・ベンチマークを行う。 2つの完全にプロファイルされたパブリックSTコホートを用いて、候補表現ベクトルをマスキングし、不確実性に基づくモンテカルロドロップアウト(MC-dropout)と時間出力不一致(TOD)と多様性に基づくCoreSetとTypiClustにインスパイアされた選択をシミュレートする。 患者レベルのクロスバリデーション(クロスバリデーション)の下で, 折り畳みトレーニングスポットプールの5%, 10%, 30%, 50%の完了した構成を, 別個のフルラベル参照で比較した。 各予算内では、戦略は選択スケジュール、形態素対表現予測器、最適化プロトコルを共有する。 我々は,1遺伝子あたりのPearson相関係数 (PCC) , 発現クラスターの一致, モランIの忠実度を評価した。 HER2陽性乳癌では、RandomとPCCの差は、それぞれ-0.0176, -0.0117, +0.0056, +0.0057, 5%, 10%, 30%, 50%であった。 皮膚扁平上皮癌(cSCC)では,Random以下5%,Random以下10%であった。 HER2陽性乳癌では、CoreSetとMC-dropoutは、RandomよりもPCCが低いが、Randomよりも高発現量で一致しており、このパターンはcSCCでは再現されなかった。 報告された固定的なトレーニングの地平の下では、評価されたアクティブ戦略は小さな予算で常にランダムを改善せず、ランキングは評価基準に依存する。

関連論文リスト

• A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation [78.66324246922831]
  本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。 このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。 The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
  論文  参考訳（メタデータ） (2026-05-30T11:20:29Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• A deep learning pipeline for PAM50 subtype classification using histopathology images and multi-objective patch selection [0.2958068627971103]
  PAM50遺伝子シグネチャは、乳がんを固有のサブタイプに分類する標準として広く認識されている。 本研究では,コストのかかる分子アッセイへの依存を減らすことを目的とした,新しい最適化駆動型ディープラーニングフレームワークを提案する。 提案手法は,非支配的ソート遺伝的アルゴリズムII(NSGA-II)とモンテカルロのドロップアウトに基づく不確実性推定を組み合わせ,パッチ情報量,空間的多様性,不確実性,パッチ数などを共同で最適化する。
  論文  参考訳（メタデータ） (2026-04-02T09:13:24Z)
• Pretty Good Measurement for Radiomics: A Quantum-Inspired Multi-Class Classifier for Lung Cancer Subtyping and Prostate Cancer Risk Stratification [32.505127447635864]
  emphPretty Good Measurement (PGM)に基づく教師付き多クラス分類への量子インスピレーションによるアプローチについて検討する。 この方法は、各クラスを符号化された混合状態に関連付け、単一のPOVM構成を通じて分類を行う。
  論文  参考訳（メタデータ） (2026-02-27T18:58:10Z)
• Survival Modeling from Whole Slide Images via Patch-Level Graph Clustering and Mixture Density Experts [7.0624785659308165]
  本稿では,スライド画像全体から癌特異的生存を予測するためのモジュラーフレームワークを提案する。 この枠組みは4つの重要な段階から成り、予測的形態学と不均一性を捉えるように設計されている。
  論文  参考訳（メタデータ） (2025-07-22T11:32:36Z)
• A Comprehensive Framework for Automated Segmentation of Perivascular Spaces in Brain MRI with the nnU-Net [37.179674347248266]
  神経変性疾患では、PVS(perivascular space)の増大が一般的である。 現在不足している信頼性の高いPVS検出方法が必要である。
  論文  参考訳（メタデータ） (2024-11-29T09:19:57Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)

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。