将层次生物先验注入图神经网络进行流式细胞仪预测
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
LeukoGraph 是一个使用图注意力网络(GATs)导航层次分类复杂性的框架,通过使用流式细胞仪数据导出的具有数百万个节点和边的图进行层次推理,达到了 98% 的 F 分数,具有很高的精度预测平坦和分层细胞类型。
Feb, 2024
基于图注意力网络(GATs)的 'HemaGraph' 框架用于从流式细胞术数据中进行单个细胞多类分类,利用 GATs 的能力捕捉细微的细胞关系,获得高度准确的患者分析结果。该方法在 30 名患者数据的评估中表现出优异的性能,在五个不同的细胞类别上超过了传统和最先进的方法。此外,该框架的独特之处在于训练和测试阶段,它已经应用于包含数十万个节点和两百万条边的极大图谱中,以检测低频细胞群体,并实现了高达 98% 的准确度。我们的发现强调了 HemaGraph 在改善血液学多类分类中的潜力,为个性化干预铺平了道路。据我们所知,这是首次尝试使用 GATs 和图神经网络(GNNs)来从单个细胞流式细胞术数据中分类细胞群体,我们设想将此方法应用于更大的患者队列的单个细胞数据和其他血液学疾病。
Feb, 2024
本文旨在提出一种基于异构图神经网络的新方法,通过捕获细胞与组织之间的空间和层次关系,增强组织学图像中有用信息的提取,与转换器方法相比,本方法在参数数量和准确性方面都有所突破,在三个公开的乳腺癌数据集中表现出更高的效率和精度。
Jul, 2023
核分类是计算机辅助诊断中的关键步骤,本文提出了一种基于细胞图变换器的新方法,通过在细胞图中处理节点和边缘作为输入标记,实现了可学习的邻接和信息交换,结合拓扑感知的预训练方法,显著提高了核分类结果并达到了最先进的性能。
Feb, 2024
该论文介绍了一种替代 GCN 层的归一化流模型,命名为 GC-Flow。该模型在保持 GCN 的预测准确性的同时,通过高斯混合表示空间结构化,产生了良好分离的聚类效果。
May, 2023
在本文中,我们调查了图神经网络中嵌入信息的流向如何影响知识图谱中链接的预测,并提出了一个将领域知识融入到图神经网络连接性中的数学模型。我们的结果表明,将领域知识融入到图神经网络连接性中比使用相同连接性或允许无限制的嵌入传播能够取得更好的性能。此外,我们还发现负边在预测中起着至关重要的作用,并且使用太多的图神经网络层可能会降低性能。
Sep, 2023
本论文在组织切片图像中,使用图卷积网络 (Graph Convolutional Networks, GCNs) 对细胞的多属性空间图进行建模,通过提取细胞空间排列的复杂特征以实现肿瘤分类,得到了与 Inception-v3 相当的分类准确率。
Aug, 2019