Mar, 2022

癌细胞成像数据的时间和形态药物效应分析自监督学习

PDF
TL;DR本文提出两种新方法对影像数据进行时间和形态表型效应研究并将其验证于 2D 癌细胞培养物中以分析药物效果。通过使用 1 百万张带有多种增强技术和多个裁剪的图像数据进行卷积自编码器的训练，将其作为特征提取器并通过距离分析和 DTW 动态时间规整应用于 31 种药物的时间模式聚类。使用对抗 / 正则化设置改善 31 种药物的分类并可视化图像区域，提高了平均 8％的排名和发现了一些形态特征的重要性图。作者在文中提供了这一特征提取器和权重以促进生物学中的迁移学习应用，并讨论了其他预训练模型的实用性以及该方法对其他类型的生物医学数据的适用性。
temporal and morphological phenotypic effectsimaging datadrug effects in cell culturesfeature extractorclassification and visualization
发现论文，激发创造
  • 比较不同人工智能范式、增强和裁剪策略学习的生物数据表示

    该研究提出了一个简单的卷积神经网络架构，并在相同条件下使用不同的数据增强和裁剪策略训练了 16 种不同的深度学习模型，以比较其在药物识别、控制组分类和细胞聚类这三个下游任务中所学到的特征提取的性能和效率，其结果表明，多切割和随机增强通常能提高性能，而自我监督模型的性能也非常高，是训练速度最快的模型之一，但需要最大的内存和计算资源。

    Mar, 2022

  • 深度学习时代的药物发现形态学特征分析

    形态学分析是表型药物发现中的一项有价值的工具。最近的发展使得高通量自动成像得以捕捉单细胞水平上细胞或生物体对干扰的广泛形态学特征。机器学习和深度学习在图像分析方面的显著进展有助于对大规模高内容图像进行高通量分析，从而推动了复合物的作用机制研究、药物重用、对细胞形态动力学的表征以及对新型治疗药物的发展。本综述全面概述最近形态学分析领域的进展，总结形态学分析流程、介绍多种基于特征工程和深度学习的分析策略，并引入公开可获取的基准数据集。我们特别强调深度学习在此流程中的应用，包括细胞分割、图像表征学习和多模态学习。此外，我们还阐述形态学分析在表型药物发现中的应用，并强调了该领域面临的挑战和机遇。

    Dec, 2023

  • 利用医疗影像中的因果信号：一个带有实证结果的试点研究

    我们提出了一种新方法，通过利用场景中的弱因果信号来模拟图像中一个特征对另一个特征的影响，实现自动分类医学图像。我们的方法由两个组成部分组成：卷积神经网络骨干和因果因子提取模块。后者根据其对图像场景的因果影响计算特征图的权重，以增强每个特征图。我们可以通过使用两个外部信号来修改因果模块的功能，从而获得我们方法的不同变体。我们在一个公共的前列腺 MRI 图像数据集上评估了我们的方法，用于前列腺癌诊断，包括定量实验、定性评估和消融研究。我们的结果表明，我们的方法改进了分类性能，并产生更可靠的预测，重点关注图像的相关部分。这在医学成像中尤为重要，准确可靠的分类对于有效的诊断和治疗规划至关重要。

    Sep, 2023

  • 使用自编码器将时间特征提取到空间域中，用于精子视频分析

    本文提出了一个深度学习方法，通过人类精子的视频记录来预测精子运动和形态。该方法使用自动编码器从视频中提取时间特征，并将其绘制为图像，称为特征图像，用于转移学习以预测人类精子的运动和形态。该方法可以提取时间信息并用于传统的卷积神经网络中。此外，预测精液样品运动能力的准确性表明，基于深度学习的模型可以捕获人类精子镜下的时间信息。

    Nov, 2019

  • 自监督视觉 Transformer 在组织病理学中学习视觉概念

    本文通过训练多种自监督模型，发现采用基于 DINO 知识蒸馏的 Vision Transformers 模型能够实现对组织形态学特征进行有效解释，在多个弱监督和补丁级任务上进行了验证。

    Mar, 2022

  • 学习图像表示以进行异常检测：应用于药物开发中发现组织学改变

    本文提出了一种在组织病理学图像中进行异常检测的系统，该系统使用单类分类器、预训练的卷积神经网络和一个辅助任务进行训练，并用于药物毒性评估，结果优于已有的方法。

    Oct, 2022

  • 肿瘤与药物响应的可解释模型中的跨领域特征解缠

    通过域适应网络和特征解耦，本文提出了一种建模肿瘤微环境对临床药物效应影响的方法，并在基准数据集上验证了其在预测临床药物响应和解析肿瘤微环境影响方面的优越性能。

    Nov, 2023

  • 使用循环一致性学习对单细胞干预反应进行可解释建模

    基于表型的筛选方法在识别具有活性的化合物方面引起了广泛的关注。本文提出了一种基于编码 - 解码架构的深度学习框架，可以将初始细胞状态映射到潜在空间中，其中假设药物对细胞状态的影响符合线性可加性。通过引入循环一致性约束条件，我们可以强制要求经过药物干扰的初始细胞状态产生受扰动的细胞响应，反之亦然，从受扰动的细胞状态中去除药物干扰则会恢复到初始细胞状态。循环一致性约束条件和潜在空间中的线性建模能够学习可解释且可迁移的药物干扰表示，从而使我们的模型能够预测对未知药物的细胞响应。我们在三种不同类型的数据集上验证了我们的模型，包括批量转录响应、批量蛋白响应以及单细胞转录响应对药物扰动。实验结果显示，我们的模型比现有的最先进方法取得了更好的性能。

    Nov, 2023

  • 基于因果关系驱动的磁共振成像前列腺癌分级的单次学习

    本研究介绍了一种新颖的方法，通过学习和利用图像中的弱因果信号来自动分类医学图像。我们的框架由一个卷积神经网络主体和一个因果提取器模块组成，该模块提取特征图之间的因果关系，可以向模型提供关于图像中某个位置的特征出现的信息，当图像的另一个位置存在其他特征时。我们通过对前列腺 MRI 图像的公开数据集进行二元和多类分类实验证明了我们的方法在低数据场景下的有效性，并通过消融研究和定性评估使用类激活图来突出强烈影响网络决策过程的区域，验证了所提出的因果驱动模块的有效性。研究结果表明，特征之间的因果关系在提高模型识别相关信息和产生更可靠、可解释的预测方面起着关键作用，这使其成为医学图像分类任务中一个有希望的方法。

    Sep, 2023

  • 掩蔽自编码器是可扩展的细胞形态学学习器

    通过高内容显微镜筛选从细胞表型中推断生物关系在生物研究中提供了重要的机遇和挑战。该研究探讨了在更大数据集上训练更大模型时，弱监督和自监督深度学习方法的可扩展性。结果显示，基于 CNN 和 ViT 的掩蔽自编码器在表型推断方面明显优于弱监督模型。在我们的尺度上限，通过来自 9500 万显微镜图像的 35 亿个独特裁剪样本训练的 ViT-L/8 相对于从公共数据库中整理的已知生物关系的最佳弱监督模型的相对改善率达到了 28%。

    Sep, 2023