Nov, 2023

基于注意力的多实例混合模型

PDF
TL;DRGMIL 是一种整合广义线性混合模型（GLMM）和多示例学习（MIL）的框架，利用预定义的细胞嵌入增强计算效率，揭示了单细胞数据中的新关联和揭示了不同领域的生物学机制。
single-cell datacell heterogeneitygmillinear modelsmil
发现论文，激发创造
  • MMIL：一种用于疾病相关细胞类型发现的新算法

    单细胞数据集 MMIL 的混合建模方法能够精确识别白血病细胞并跨组织和治疗时间点推广，为细胞分类提供了一种新颖的方法，有望在未知标签和高维度情况下促进疾病的理解和管理。

    Jun, 2024

  • 利用图神经网络进行多实例学习

    本文提出一种基于图神经网络的多实例学习算法，将每个数据包视为图，并使用图神经网络学习包嵌入，利用实例之间的结构信息来预测标签。实验证明，该算法在多个常用数据集上达到了最先进的效果，且不失模型的可解释性。

    Jun, 2019

  • 基于注意力机制的深度多示例学习

    本文提出了一种基于神经网络的置换不变聚合运算符，并展示了其在多个 MIL 数据集上的实验表现，特别是在两个真实组织病理学数据集上的表现，同时保持了可解释性。

    Feb, 2018

  • 自监督多实例学习用于急性髓系白血病分类

    通过自监督学习方法在血涂片中为基于 MIL 的 AML 亚型分类提供无标签数据的预训练编码器，实现与有监督预训练相媲美的性能，为 AI 基础疾病诊断领域提供了一种经济高效的解决方案。

    Mar, 2024

  • xMIL: 在组织病理学中的多实例学习中的有见地解释

    通过引入解释性人工智能（XAI）的方法并使用层内相关传播（LRP）技术，我们重新审视了多实例学习（MIL），并提出了一种更具一般性假设的改进框架 xMIL。通过在三个模拟设置和四个真实组织病理学数据集上进行大量评估实验，我们展示了如何获得改进的 MIL 解释。我们的方法在具有挑战性的生物标志物预测任务中特别改善了忠实度评分。最后，我们展示了 xMIL 解释如何使病理学家能够从 MIL 模型中提取见解，这对于数字组织病理学中的知识发现和模型调试来说是一项重大进展。

    Jun, 2024

  • 引入多实例学习中的实例标签相关性。应用于组织病理图像癌症检测

    本文通过引入与统计物理的 Ising 模型相关的新偶合项扩展了一种基于高斯过程的最先进弱监督多实例学习方法 (VGPMIL-PR)，提高了在组织病理学图像中检测前列腺癌的效果，并通过可视化和分析提供了洞察力，有望在其他研究领域中应用该模型。

    Oct, 2023

  • MIML: 微流控系统中基于机械特征的高精度细胞分类的多图像机器学习

    通过开发一种新的机器学习框架，MIML，将无标记细胞图像与生物力学属性数据结合起来，从而利用每个细胞内在的丰富形态信息，解决无标签细胞分类的特异性和速度问题，该方法在细胞分类上达到 98.3% 的准确率，可广泛应用于疾病诊断和细胞行为的理解。

    Sep, 2023

  • 基于回归的多模态单细胞数据整合策略分析

    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

  • 具有消除混杂层次预测数据干扰的干预式多实例学习

    该研究提出了一种新颖的干预型多实例学习（IMIL）框架，并通过因果干预设计期望最大化（EM）算法来实现训练过程中的强大实例选择以及抑制袋子上下文先验引起的偏差。 实验表明，IMIL 方法可以显著减少误报，并优于现有 MIL 方法。

    Apr, 2022

  • 超越注意力：从弱监督多实例学习模型中得出易于解读的生物学见解

    通过引入预测注意力加权地图和生物特征实例化技术，通过分析 MIL 模型，我们提高了对数字病理学中预测准确性区域的解释性，揭示了前列腺癌诊断中对预后有不良预测作用的区域与肿瘤区域不重合，提出了评估预后时也应研究非癌细胞。

    Sep, 2023