Towards Spatially-Lucid AI Classification in Non-Euclidean Space: An Application for MxIF Oncology Data

要約

さまざまな場所タイプからのマルチカテゴリポイントセットを考えると、私たちの目標は、ポイントの配置に基づいて2つのクラスを区別できる空間的にルシドな分類器を開発することです。
この問題は、腫瘍学などの多くのアプリケーションにとって、免疫腫瘍関係を分析し、新しい免疫療法を設計するために重要です。
空間的なばらつきと解釈可能性のニーズのために挑戦的です。
以前に提案されていた手法では、密なトレーニングデータが必要であるか、単一の場所タイプ内で大きな空間的変動を処理する能力が限られています。
最も重要なことは、これらの深いニューラルネットワーク（DNN）アプローチは、非ユークリッド空間、特にポイントセットで機能するように設計されていないことです。
既存の非ユークリッドDNNメソッドは、One-Size-Fits-Allアプローチに限定されています。
空間的に複雑な分類のためのさまざまな場所タイプで、加重距離学習率や空間ドメイン適応など、さまざまなトレーニング戦略を明示的に使用する空間アンサンブルフレームワークを探ります。
実際のデータセット（MXIF腫瘍学データなど）の実験結果は、提案されたフレームワークがベースライン方法よりも高い予測精度を提供することを示しています。

要約(オリジナル)

Given multi-category point sets from different place-types, our goal is to develop a spatially-lucid classifier that can distinguish between two classes based on the arrangements of their points. This problem is important for many applications, such as oncology, for analyzing immune-tumor relationships and designing new immunotherapies. It is challenging due to spatial variability and interpretability needs. Previously proposed techniques require dense training data or have limited ability to handle significant spatial variability within a single place-type. Most importantly, these deep neural network (DNN) approaches are not designed to work in non-Euclidean space, particularly point sets. Existing non-Euclidean DNN methods are limited to one-size-fits-all approaches. We explore a spatial ensemble framework that explicitly uses different training strategies, including weighted-distance learning rate and spatial domain adaptation, on various place-types for spatially-lucid classification. Experimental results on real-world datasets (e.g., MxIF oncology data) show that the proposed framework provides higher prediction accuracy than baseline methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google