流式细胞仪数据分析的机器学习
该研究提出了 FlowCyt,这是第一个针对流式细胞术数据进行多类单细胞分类的综合性基准。使用骨髓样本来对每个细胞的十二个标记进行表征,并通过监督感应学习和半监督传导学习在每个患者中最多使用 100 万个细胞进行实验。通过 Gaussian 混合模型,XGBoost,随机森林,深度神经网络和图神经网络(GNNs)等基准方法,GNNs 通过利用图编码数据的空间关系展现出卓越的性能。该基准允许对临床相关的分类任务进行标准化评估,并进行探索性分析以洞察血液细胞表型,并且是第一个具有丰富注释的异质数据集的公开流式细胞学基准。它将促进单细胞分析新方法的开发和严格评估。
Feb, 2024
高通量筛选利用细胞图像是筛选新药候选物的有效方法,本文介绍了一种高效追踪细胞并定量检测胞浆与细胞核信号比率的新方法,通过自动阈值与标签算法比较不同图像中细胞的位置,进行连续测量与分析细胞信号比率,进一步研究开闭运算次数对细胞追踪的影响,确定了合适的开闭运算过程次数。
Feb, 2024
通过使用 GateNet 神经网络架构,本研究提出的自动门控方法在流式细胞术中实现了无需矫正批处理效应的全自动门控,验证了其与人类表现相媲美的准确性,并展示了其在各个领域中广泛适用的特点。
Dec, 2023
建议使用无人值守的多阶段分割方法进行细胞核的自动、快速、无监督分割,并利用该方法的定量相位信息来介绍新的细胞质和细胞核特征,以提高细胞学诊断的可行性和可解释性。
Nov, 2023
本文调查了 120 多篇基于深度学习的细胞学图像分析研究,介绍了全监督、弱监督、无监督和迁移学习等深度学习方法,并系统总结了公共数据集、评估指标、分类、检测等多种深度学习应用,探讨了细胞学计算的挑战和未来研究方向。
Feb, 2022
本文提出了一种利用人工智能技术的自动信号增强方案和基于深度神经网络的自适应细胞表征技术,以解决 LSIT 细胞成像手段的信号弱和手工特征限制的问题,提高了细胞成像的准确度和信噪比,实现了对新细胞类型的学习和自动分类。
Mar, 2022
本文研究了大规模电子显微镜技术下生物医学图像分析的自动化方法和挑战,并讨论了近五年来在自动化人工智能计算机视觉、深度学习和软件工具方面所取得的进步,探讨了自动化图像获取与分析的整合,以实现毫米级纳米分辨率的高通量分析。
Jun, 2022
利用多模式单细胞技术,通过整合不同数据类型并建模模态之间的相互关系,为疾病生物标志物检测和药物发现提供了改进,实验结果表明机器学习技术对于建模细胞发展中 DNA 到 RNA 及蛋白质之间的协变性具有显著效果,有望推动对细胞分化和功能的理解并发挥机器学习的潜能。
Nov, 2023