Learning Channel Importance for High Content Imaging with Interpretable Deep Input Channel Mixing

要約

複雑な疾患を治療するための新規薬剤候補を発見することは、依然として初期発見研究において最も困難な課題の 1 つです。
この課題に取り組むために、バイオ医薬品研究は、画像チャネルごとに異なる細胞コンパートメントにタグを付ける標準化されたハイコンテンツイメージングプロトコルを確立しました。
実験結果を判断するには、科学者は、基礎となる生物学を解読するために、特定の表現型に関するチャネルの重要性に関する知識を必要とします。
従来の画像解析アプローチとは対照的に、このような実験は現在、深層学習ベースのアプローチによって解析されることが好ましいが、これにはチャネルの重要性に関する重要な情報が欠けている。
この制限を克服するために、我々は、細胞生物学の特定の側面を解釈するために高コンテンツ画像のマルチスペクトル情報を利用する新しいアプローチを提案します。
この目的を達成するために、私たちは、任意の数のチャネルに対するアルファ合成を使用した画像ブレンディングの概念に基づいてメソッドを構築します。
より具体的には、ディープラーニングベースの手法の利点を維持しながら、ハイコンテンツイメージングで解釈可能な予測を可能にする、軽量でスケーラブルでエンドツーエンドのトレーニング可能なミキシングレイヤーである DCMIX を紹介します。
我々は、MNIST と RXRX1 データセットの両方に対して広範な実験セットを採用し、DCMIX が予測パフォーマンスを損なうことなく生物学的に関連するチャネルの重要性を学習することを実証しました。

要約(オリジナル)

Uncovering novel drug candidates for treating complex diseases remain one of the most challenging tasks in early discovery research. To tackle this challenge, biopharma research established a standardized high content imaging protocol that tags different cellular compartments per image channel. In order to judge the experimental outcome, the scientist requires knowledge about the channel importance with respect to a certain phenotype for decoding the underlying biology. In contrast to traditional image analysis approaches, such experiments are nowadays preferably analyzed by deep learning based approaches which, however, lack crucial information about the channel importance. To overcome this limitation, we present a novel approach which utilizes multi-spectral information of high content images to interpret a certain aspect of cellular biology. To this end, we base our method on image blending concepts with alpha compositing for an arbitrary number of channels. More specifically, we introduce DCMIX, a lightweight, scaleable and end-to-end trainable mixing layer which enables interpretable predictions in high content imaging while retaining the benefits of deep learning based methods. We employ an extensive set of experiments on both MNIST and RXRX1 datasets, demonstrating that DCMIX learns the biologically relevant channel importance without scarifying prediction performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google