Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Classification des maladies auto-immunes à partir des répertoires TCR du sang périphérique par apprentissage multimodal multi-instance

Created by
  • Haebom

Auteur

Ruihao Zhang, Fei Ye, Dandan Meng, Yixuan Huang, Maochen, Xiao Liu

Contour

Nous avons développé un framework d'apprentissage profond multi-instances appelé EAMil pour diagnostiquer le lupus érythémateux disséminé (LED) et la polyarthrite rhumatoïde (PR) avec une grande précision grâce aux données de séquençage TCR. En intégrant l'extraction de caractéristiques PrimeSeq, le codage ESMonehot et un mécanisme d'attention synchronisée amélioré, nous avons atteint des performances de pointe avec des ASC de 98,95 % pour le LED et de 97,76 % pour la PR. EAMil a identifié avec succès les gènes liés à la maladie avec une concordance de plus de 90 % avec l'analyse différentielle conventionnelle et a distingué efficacement les gènes TCR spécifiques à la maladie. Nous avons démontré la robustesse de la classification des patients atteints de LED selon la gravité de la maladie et le site de la lésion diagnostiquée à l'aide du score SLEDAI, en contrôlant efficacement les facteurs de confusion tels que l'âge et le sexe. Ce framework d'analyse des récepteurs immunitaires interprétable offre de nouvelles perspectives pour la détection et la classification des maladies auto-immunes, avec de vastes applications cliniques potentielles pour l'ensemble des maladies à médiation immunitaire.

Takeaways, Limitations

Takeaways:
Nous présentons un nouveau modèle d'apprentissage profond, EAMil, qui atteint une excellente précision (ASC 98,95 % pour le LES, 97,76 % pour la PR) dans le diagnostic du LES et de la PR.
Il présente une forte concordance avec l’analyse des différences existantes et peut identifier les gènes liés à la maladie et distinguer les gènes TCR spécifiques à la maladie.
Diagnostic de la gravité de la maladie et de la zone endommagée possible à l'aide du score SLEDAI.
Contrôle efficacement les facteurs de confusion tels que l’âge et le sexe.
Suggérant une large applicabilité clinique à diverses maladies à médiation immunitaire.
Limitations:
Cet article ne contient pas de références spécifiques au __T31374_____ du modèle EAMil. Des recherches supplémentaires sont nécessaires pour valider la généralisation du modèle, son extensibilité à d'autres maladies auto-immunes et son applicabilité clinique. De plus, une description détaillée de la taille et de la diversité des ensembles de données utilisés est nécessaire.
👍