so_sal　

DINO Algorithm DINO Algorithm을 간단하게 얘기하면, 이미지에서 큰 부분 (Global view)와 작은부분 (Local view)으로 이미지를 떼어내어 준비한다. 그리고 Global view는 teacher에게 보여주고, Global + Local view를 student에게 보여줌으로써, 작은부분만 보고도 넓은 부분의 feature와 동일한 정보를 추출하도록 하는 것이다. 이렇게 계속 학습하다 보면, 이미지의 일부분만 보고도 전체이미지의 특징을 잡게 되므로 이미지의 주요한 부분에 집중하게 되고, 좋은 feature를 추출하게 된다. 바로 Label 없이 학습하는 self-supervised learning이다. Stanford의 Artificial Intelligence in M..

https://stats.stackexchange.com/questions/186337/average-roc-for-repeated-10-fold-cross-validation-with-probability-estimates Average ROC for repeated 10-fold cross validation with probability estimates I am planning to use repeated (10 times) stratified 10-fold cross validation on about 10,000 cases using machine learning algorithm. Each time the repetition will be done with different random ....

Bulk-sequencing 혹은 Spatial transcriptomics 데이터의 Phenotype을 보기 위해, Histopathology (혹은 Whole-slide Imaging) 데이터와 결합하여 보는 경우가 많아졌다. 나는 이 연구를 시작하게 된 계기는, 하버드 Peter park 랩에서 Normal tissue에 대한 CNV 연구가 활발한데, 정상인에서 발견되는 초기암으로 생각되는 CNV의 phenotype을 WSI에서 과연 볼 수 있을까? 에 대한 주제로 코웍을 하게 된 것인데, 만약 Histopathology에서 CNV를 어느정도 탐지할 수 있는 능력이 있다면, 때 초기암의 phenotype으로 여겨지기도 하는 hyperplasia같은 영역을 중요한 patch로 꼽지 않을까? 하는 질문..

BIML, single cell 강의 들으면서 정리해본 내용입니다. 1. Data Format Annotated data: Single cell data를 효율적으로 구성한 데이터 format obsp: (n_obs, n_vars)인 sparse matrix dictionary 일반적으로 n_obs는 Cell의 수이고, n_vars는 Gene의 수 obsm: (n_obs, n_comps)인 sparse matrix dictionary 여기서 n_comps는 구성 요소의 수. -> 차원 감소 또는 클러스터링 알고리즘의 결과를 저장하는 데 사용 (PCA 또는 t-SNE 시각화 등의 2차원 정보 등을 저장) varm: (n_vars, n_vars)인 sparse matrix dictionary 여기서 n_va..

Normal H&E Slide image를 분석할 일이 생겨서, 분석을 해본 겸, 정리 포스트를 남겨놓으려고 한다. 1. GTEx phenotype 데이터 활용하기 개인적으로 TCGA, ICGC, GTEx 등 유전체 데이터를 활용할 때, UCSC Xena를 자주 활용한다. 서로 다른 데이터베이스의 batch effect 등을 정리한 데이터까지 제공해서.. 무척 편하다. https://xenabrowser.net/datapages/?cohort=GTEX&removeHub=https%3A%2F%2Fxena.treehouse.gi.ucsc.edu%3A443 phenotype - GTEX phenotype (n=9,783) UCSC Toil RNA-seq Recompute GTEx 데이터에서 원하는 tissue..

https://link.springer.com/article/10.1007/s00330-022-09153-z Ma, Xiaoling, et al. "Development and validation of a deep learning signature for predicting lymph node metastasis in lung adenocarcinoma: comparison with radiomics signature and clinical-semantic model." European Radiology (2022): 1-14. Lung adenocarcinoma (LUAD) 에서, Lymph node metastasis를 예측하는 논문인데,Deep learning과 Radiomics 두가지 모델을 구성..

딥러닝 연구를 하다보니, 다양한 task를 수행하게 된다. 그 중, 딥러닝을 자주 씀에도 불구하고 내게 조금 헷갈렸던 task가 있는데, 바로 Multi-class와 Multi-label 이다. 쉽고 기본적인 내용같지만, Label의 형태에 따라서 매우 복잡한 문제가 될 수도 있다. 이 글에서는 Multi-label을 예측하는 문제에서, Output이 어떤 것은 Regression을 해야하고, 어떤 것은 classification을 수행해야 할 때를 위해 내가 정리하는 글이다. 1. Bianry classification - Sigmoid 일단 binary classification은, Logistic regression과 동일한 task로 간단한 sigmoid로 쉽게 해결할 수 있다. Sigmoid는 ..

요즘, 책을 사기만 하고 리뷰를 통 못했는데, 2년 전에 나온, 그것도 번역서지만 이런 책을 왜 이제서야 발견했을까? 놀라움에 얼른 집어 구매하고, 카페에 와서 간단하게 인덱스, 내용들을 리뷰해봤다. http://www.kyobobook.co.kr/product/detailViewKor.laf?ejkGb=KOR&mallGb=KOR&barcode=9791161754420&orderClick=LAG&Kc= 생명과학을 위한 딥러닝 - 교보문고 생물학, 유전체학, 신약 개발에 적용하는 실무 딥러닝 | 로봇 공학의 발전으로 수많은 생명과학 실험들은 자동화돼 엄청난 양의 데이터를 만들어 낸다. 현대 생명 과학자들은 거대한 데이터 속 www.kyobobook.co.kr 인덱스는 다음과 같다. 1장. 왜 생명과학인가?..

최근 거의 3년간? 거의 메디컬 연구, paper writing에만 집중하다보니, bioinformatics 분야와 코딩실력에 자신감이 무척이나 떨어졌다. 그런데, bioinformatics 분야에서 ACM ICPC 문제 (국내에서 백준? 같은?) 푸는 비슷한 사이트가 있어, 공부용으로 참 좋겠다 싶어서 시작해봤다. 5문제 정도 풀어봤는데, 아직은 너무 쉬워서 잘 모르겠지만, 뒤로 갈수록 기대가 된다 ㅎㅎ

Index는 다음과 같습니다. ARTIFICIAL INTELLIGENCE IN HEALTH CARE: THE HOPE, THE HYPE, THE PROMISE, THE PERIL OVERVIEW OF CURRENT ARTIFICIAL INTELLIGENCE HOW ARTIFICIAL INTELLIGENCE IS CHANGING HEALTH AND HEALTH CARE POTENTIAL TRADE-OFFS AND UNINTENDED CONSEQUENCES OF AI AI MODEL DEVELOPMENT AND VALIDATION DEPLOYING AI IN CLINICAL SETTINGS HEALTH CARE AI: LAW, REGULATION, AND POLICY ARTIFICIAL INTELLIGENC..