SEMPAI: a Self-Enhancing Multi-Photon Artificial Intelligence for prior-informed assessment of muscle function and pathology

要約

深層学習 (DL) は、生物医学研究で顕著な成功を収めています。
ただし、ほとんどの DL アルゴリズムはブラック ボックスとして機能し、生物医学の専門家を排除し、広範なデータを必要とします。
筋線維の多光子顕微鏡法 (MPM) に関する研究のためのデータ駆動型 DL アプローチに仮説駆動型の事前確率を統合する自己強化型多光子人工知能 (SAMPAI) を紹介します。
SEMPAI はメタ学習を利用して、事前の統合、データ表現、およびニューラル ネットワーク アーキテクチャを同時に最適化します。
これにより、仮説検定が可能になり、MPM 画像の生物学的情報の起源に関する解釈可能なフィードバックが提供されます。
SEMPAI は、いくつかのタスクの共同学習を実行して、小さなデータセットの予測を可能にします。
メソッドは、単一の筋線維の病理と機能の最大の共同分析をもたらす大規模なマルチ研究データセットに適用されます。
SEMPAI は、7 つの予測タスクのうち 6 つ (データが乏しいタスクを含む) で最先端のバイオマーカーよりも優れています。
事前確率が統合された SEMPAI の DL モデルは、事前確率がないものや事前のみの機械学習アプローチよりも優れています。

要約(オリジナル)

Deep learning (DL) shows notable success in biomedical studies. However, most DL algorithms work as a black box, exclude biomedical experts, and need extensive data. We introduce the Self-Enhancing Multi-Photon Artificial Intelligence (SEMPAI), that integrates hypothesis-driven priors in a data-driven DL approach for research on multiphoton microscopy (MPM) of muscle fibers. SEMPAI utilizes meta-learning to optimize prior integration, data representation, and neural network architecture simultaneously. This allows hypothesis testing and provides interpretable feedback about the origin of biological information in MPM images. SEMPAI performs joint learning of several tasks to enable prediction for small datasets. The method is applied on an extensive multi-study dataset resulting in the largest joint analysis of pathologies and function for single muscle fibers. SEMPAI outperforms state-of-the-art biomarkers in six of seven predictive tasks, including those with scarce data. SEMPAI’s DL models with integrated priors are superior to those without priors and to prior-only machine learning approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google