Search Results がん

大学フットボールのカンファレンス再編成 – node2vec

「この4部構成のブログの最終パートに到達しましたこのブログの第3部では、クラスタリングに基づいた会議の世界を探求し、類似したチームが会議を共有できるようにしましたこのブログでは...」

AIモデルは、患者のがんがどこで発生したかを判断するのに役立つことができます

OncoNPCモデルからの予測により、医師は難治性の腫瘍に対してターゲット治療を選択することが可能になる可能性があります

大学フットボールのカンファレンス再編-クラスタリング

このシリーズの第3部へようこそ！カンファレンスの再編成についてのシリーズですこのブログ投稿では、データセットを使用して再編成の決定に情報を提供し始めますカンファレンスに関する共通の苦情があります...

大学フットボールのカンファレンス再編-回帰

「カンファレンス再編シリーズの第2部へようこそ！カンファレンス再編が本格化した昨年の夏、トニー・アルティモア氏がTwitterで公開した研究が私自身の研究にインスピレーションを与えました...」

大学フットボールカンファレンスの再編成 – Pythonにおける探索的データ分析

私の一番好きな季節です：秋、つまり大学のフットボールの時期です私はいつも大学スポーツが大好きでした育った時、私はBig Ten/SECの家庭で、Big East（今はACC）の街で暮らしていました

高リスクの女性における前がん変化の予測マンモグラフィに基づくディープラーニング手法の突破

人工知能（AI）と深層学習の進歩により、医療診断と患者ケアの向上に新たな可能性が開かれました。最近のRadiology：Artificial Intelligenceに掲載された研究では、乳がんリスクの高い女性の前がん変化を検出する乳がんマンモグラフィベースのディープラーニング（DL）モデルの潜在能力を示しています。この研究は、特に疾病に対する感受性が高い人々の乳がん検出とリスク分類の向上に重要な約束を持っています。この研究では、スクリーニングマンモグラムの広範なデータセットでトレーニングされたDLモデルの利用に焦点を当てました。 DLモデルの性能は、受信者操作特性曲線下の面積（AUC）を使用して予測精度を測定することによって評価されました。結果は有望なものであり、DLモデルは1年間のAUCが71％、5年間のAUCが65％で、乳がんの予測において優れた成績を収めました。一方、従来の乳房イメージング報告およびデータシステム（BI-RADS）システムは、1年間のAUCが73％でわずかに高いものの、DLモデルは長期の乳がん予測において優れた成績を収めました。5年間のAUCはBI-RADSの54％に対してDLモデルの63％となりました。この研究では、将来のがん発症を予測するための画像の役割にも着目し、標準的なマンモグラフでは明らかにならない早期の前がんまたは前悪性変化を検出するDLモデルの正確性を評価するためにミラーリング実験を行いました。その結果、DLモデルの性能において将来の乳がんをイメージングすることの重要性が示されました。陽性ミラーリングでは62％のAUCが得られ、陰性ミラーリングでは51％のAUCが示され、DLモデルが前がんまたは早期の悪性変化を検出する可能性があることを強調しています。特に有望な所見は、DLモデルが短期リスク分類においてBI-RADSシステムを補完する可能性です。DLモデルの結果をBI-RADSスコアと組み合わせることにより、識別力が向上し、スクリーニングマンモグラムの評価を高め、近期のリスク評価により正確な予測を提供する可能性が示唆されました。研究者はまた、DLモデルのトレーニングデータセットがリスクが低い高リスクの女性に焦点を当てている点にも言及し、平均的な乳がんリスクのある女性に研究結果を直接外挿することには注意が必要であると述べています。さまざまな人口でのDLモデルの適用可能性と、より広範な患者の乳がん検出とリスク評価への貢献の可能性を探るためにさらなる研究が必要です。全体として、この研究は、特に高リスクの個人にとって、乳がん検出とリスク分類におけるDLモデルの重要な約束を強調しています。技術の進歩に伴い、AIによるソリューションは乳がんスクリーニングおよび管理を革新し、早期発見と患者ケアの改善につながる可能性があります。

「spacy-llmを使用したエレガントなプロンプトのバージョニングとLLMモデルの設定」

「プロンプトの管理とOpenAIのリクエストの失敗への対処は困難な課題となることがあります幸いなことに、spaCyはspacy-llmをリリースしましたこれは強力なツールであり、プロンプトの管理を簡素化し、... 」

ミシガン州立大学の研究者たちは、規模の大きな一細胞遺伝子発現の分析をサポートするためのPythonライブラリ「DANCE」を開発しました

単一モダリティのプロファイリング（RNA、タンパク質、オープンクロマチン）から多モダリティのプロファイリングや空間的トランスクリプトミクスまで、単一細胞の解析技術は近年急速に進化しています。特に機械学習に基づくコンピュータアプローチの急速な拡大により、多くの計算アプローチが生まれました。現在のアプローチの多様性と複雑さのため、元の論文の結果を再現することは困難です。ハイパーパラメータの調整、プログラミング言語の非互換性、公開されたコードベースの欠如など、多くの障害が存在します。既存の研究のほとんどは限られたデータセットと不十分な方法論との比較でパフォーマンスを報告しているため、方法を完全に評価するためには体系的なベンチマーク手法が必要です。最近の研究の一環として、ミシガン州立大学、ワシントン大学、浙江工業大学、スタンフォード大学、ジョンソン・エンド・ジョンソンの研究者らは、単一細胞解析の進歩を加速させるために設計されたDANCEというディープラーニングライブラリとベンチマークを紹介しています。 DANCEは、スケールで単一細胞データを分析するための包括的なツールセットを提供し、開発者がより簡単かつ効率的に独自のディープラーニングモデルを作成できるようにします。また、単一細胞解析のさまざまな計算モデルのパフォーマンスを比較するためのベンチマークとして使用することもできます。現在のDANCEには、3つのモジュール、8つのタスク、32のモデル、21のデータセットのサポートが含まれています。現在、DANCEは以下の機能を提供しています：単一モダリティの解析多モダリティの解析空間的トランスクリプトミクスの解析オートエンコーダとGNN（グラフニューラルネットワーク）は、幅広く使用されているディープラーニングフレームワークであり、あらゆる場面で活用できます。研究論文によると、DANCEは単一細胞解析のための包括的なベンチマークプラットフォームとして初めて開発されました。この研究では、研究者らは新しいコンポーネントを使用しました。彼らは、タスク固有の標準ベンチマークデータセットをまとめ、単一のパラメータ調整で簡単に利用できるようにしました。すべてのタスクに対して、基本的なクラシカルなディープラーニングアルゴリズムが実装されています。収集されたすべてのベンチマークデータセットは、元の研究と同様またはそれ以上の結果を得るまで、ベースラインを微調整するために使用されます。エンドユーザーは、事前にすべてのスーパーパラメータをまとめてラップしたコマンドラインを実行するだけで、微調整されたモデルのパフォーマンスを取得することができます。チームはバックボーンとしてPyTorch Geometric（PSG）フレームワークを使用しました。さらに、ベースラインをフィット-予測-スコアのフレームワークに変換することで、ベースラインを標準化しました。各タスクについて、すべての実装されたアルゴリズムは、グリッドサーチを介して収集されたすべての標準ベンチマークで微調整され、最適なモデルを得るために使用されます。関連するスーパーパラメータは、ユーザーの再現性のために単一のコマンドラインに保存されます。チームは、自分のデバイスの処理能力とストレージ容量に完全に依存する必要がないようにするため、DANCEをSaaSサービスとして提供する予定です。また、ディープラーニングベースのモデルの高速なトレーニングのために、グラフィックスプロセッシングユニット（GPU）のサポートも提供しています。現在のDANCEは、前処理とグラフ作成のための統一されたツールセットが不足しています。チームは将来的にこれに取り組む予定です。また、DANCEはSaaSサービスとして提供されるため、ユーザーは自身のデバイスの処理能力とストレージ容量に完全に頼る必要はありません。この記事は、「DANCE: A Deep Learning Library and Benchmark for Single-Cell Analysis」という研究論文をもとにMarkTechPostスタッフがまとめた研究概要記事です。この研究に関するすべてのクレジットはこのプロジェクトの研究者に帰属します。論文、コード、ツールをチェックしてください。…

「ビリー・コーガンのネットワークをグラフ化：PythonのNetworkXライブラリを使ったソーシャル関係の分析とマッピング — パート4」

PythonでNetworkX、Matplotlibを使用してソーシャルネットワークをグラフ化しますTool、APC、Zwan、Smashing Pumpkinsのミュージシャンをグラフ化してソーシャルネットワーク分析を学びましょう

「CHARMに会ってください：手術中に脳がんのゲノムを解読し、リアルタイムの腫瘍プロファイリングを行う新しい人工知能AIツール」

画期的な進展として、ハーバード大学の研究者が、手術中に脳腫瘍のDNAを迅速に解読することができる人工知能（AI）ツールを発表しました。この革新的な技術であるCHARM（Cryosection Histopathology Assessment and Review Machine）は、リアルタイムの分子診断を可能にすることで、神経外科の分野を革新する可能性があります。これは以前は時間がかかり難しいプロセスでした。神経外科で使用されている現在の診断手法は、脳組織を凍結し、顕微鏡で観察するものです。しかし、この方法には制約があります。凍結によって細胞の外観が変化し、正確な臨床評価が妨げられることがあります。さらに、顕微鏡を用いた微細なゲノム変異の検出は、強力な顕微鏡を持つ人間の病理学者にとっても依然として困難です。 CHARMは、これらの障害を克服し、凍結病理スライドから貴重な生体医学的シグナルを抽出するためのAIによるソリューションです。手術中に腫瘍の分子的アイデンティティを迅速に判定することで、神経外科医は腫瘍の攻撃性と振る舞いに関する重要な洞察を得ることができます。この情報に基づいて、認知機能を保持しながら悪性組織を効果的に除去するための脳組織の範囲についての情報をもとに、情報をもとに意思決定を行うことができます。 CHARMの最も重要な利点の1つは、手術中に薬剤を被覆したワブを直接脳に投与する治療の実施を容易にする能力です。この個別化されたアプローチは、この標的治療によく反応する特定の腫瘍に特に有益です。このAIツールは、異なる患者集団の脳腫瘍サンプルからなる広範なデータセットを用いてトレーニングされました。CHARMはテスト中に驚異的な精度を示し、特定の分子変異を持つ腫瘍を93％の正確度で識別することに成功しました。さらに、CHARMは、その独自の分子的特徴と予後に基づいて、最も攻撃的で一般的な脳がんであるグリオーマの3つの重要なタイプを正確に分類しました。 CHARMの能力は、分子プロファイリングにとどまらず、周囲組織の視覚的特徴も捉えることができます。これにより、細胞密度の高い領域や細胞死が増加している領域を特定することができます。さらに、AIツールは、周囲組織への浸潤が少なく、攻撃性が低いグリオーマにおいても、臨床的に重要な分子的変異を検出することができます。このツールは、細胞の外観を腫瘍の分子プロファイルと関連付けることで、その正確性を高め、人間の病理学者が腫瘍サンプルを視覚的に評価する方法をシミュレートしています。この多次元の評価により、腫瘍の包括的な理解が促進され、治療計画に関するより的確な意思決定が行われます。 CHARMの可能性は、グリオーマに限定されているわけではありません。研究者は、このAIツールを再トレーニングして、他の脳がんのサブタイプや、大腸、肺、乳房などの他の臓器のがんを識別することもできると示唆しています。このAIツールの適応性は、新興の疾患分類に追いつき、最新の知識を取り入れてピークのパフォーマンスを維持する上で重要です。ただし、CHARMが臨床で使用されるためには、現実の状況での厳格な検証テストを経て、FDAなどの規制当局からの承認を得る必要があります。それにもかかわらず、リアルタイムの精密がん治療に対するその影響は深いものであり、脳腫瘍患者の治療戦略を最適化し、患者の結果を向上させる新たな可能性を開くものです。結論として、CHARMの登場は神経外科の大きな飛躍を表しています。手術中に迅速かつ正確な分子診断を可能にすることで、このAIツールは神経外科医に重要な意思決定を行う力を与え、患者の生活に大きな影響を与えることができます。さらなる研究と検証が進行するにつれて、リアルタイムの精密がん治療の未来は今まで以上に明るくなり、脳腫瘍や他のがんと闘う数多くの人々に希望をもたらすことでしょう。

Learn more about Search Results がん - Page 3