*These authors contributed equally to this work. The brightfield microscope is instrumental in the visual examination of both biological and physical samples at sub-millimeter scales. One key clinical application has been in cancer histopathology, where the microscopic assessment of the tissue samples is used for the diagnosis and staging of cancer and thus guides clinical therapy​ ​ 1​. However, the interpretation of these samples is inherently subjective, resulting in significant diagnostic variability​ ​ 2,3​. Moreover, in many regions of the world, access to pathologists is severely limited due to lack of trained personnel​ ​ 4​. In this regard, Artificial Intelligence (AI) based tools promise to improve the access and quality of healthcare​ ​ 5-7​. However, despite significant advances in AI research, integration of these tools into real-world cancer diagnosis workflows remains challenging because of the costs of image digitization and difficulties in deploying AI solutions​ ​ 8​ ,​ 9​. Here we propose a cost-effective solution to the integration of AI: the Augmented Reality Microscope (ARM). The ARM overlays AI-based information onto the current view of the sample through the optical pathway in real-time, enabling seamless integration of AI into the regular microscopy workflow. We demonstrate the utility of ARM in the detection of lymph node metastases in breast cancer and the identification of prostate cancer with a latency that supports real-time workflows. We anticipate that ARM will remove barriers towards the use of AI in microscopic analysis and thus improve the accuracy and efficiency of cancer diagnosis. This approach is applicable to other microscopy tasks and AI algorithms in the life sciences​ ​ 10​ and beyond​ ​ 11,12​. Microscopic examination of samples is the gold standard for the diagnosis of cancer, autoimmune diseases, infectious diseases, and more. In cancer, the microscopic examination of stained tissue sections is critical for diagnosing and staging the patient's tumor, which informs treatment decisions and prognosis. In cancer, microscopy analysis faces three major challenges. As a form of image interpretation, these examinations are inherently subjective, exhibiting considerable inter-observer and intra-observer variability​ 2,3​. Moreover, clinical guidelines​ 1​ and studies​ 13​ have begun to require quantitative assessments as part of the effort towards better patient risk stratification​ 1​. For example, breast cancer staging requires counting mitotic cells and quantification of the tumor burden in lymph nodes by measuring the largest tumor focus. However, despite being helpful in treatment planning, quantification is laborious and error-prone. Lastly, access to disease experts can be limited in both developed and developing countries​ 4​ , exacerbating the problem. As a potential solution, recent advances in AI, specifically deep learning​ 14​ , have demonstrated automated medical image analysis with performance c
translated by 谷歌翻译
对于前列腺癌患者,Gleason评分是最重要的预后因素之一,可能决定独立于分期的治疗。然而,Gleason评分基于肿瘤形态的主观显微镜检查并且具有较差的再现性。在这里,我们提出了一个深度学习系统(DLS),用于Gleason评分前列腺切除术的全幻灯片图像。我们的系统是使用来自1,226张幻灯片的1.12亿个病理学家注释的图像片段开发的,并在331个幻灯片的独立验证数据集上进行评估,其中参考标准由泌尿生殖专家病理学家建立。在验证数据集中,29名一般病理学家的平均准确度为0.61。 DLS的诊断准确率显着提高0.70(p = 0.002),并且与临床随访数据的相关性趋向于更好的患者风险分层。我们的方法可以提高格里森评分的准确性和随后的治疗决策,特别是在专业知识不可用的情况下。 DLS还超越了当前的格里森系统,以更精细地表征和定量肿瘤形态,为格里森系统本身的细化提供了机会。
translated by 谷歌翻译
缺乏医生处方指南是美国目前阿片类药物流行的一个关键驱动因素。在这项工作中,我们分析了药物药物索赔数据,以了解最初合成阿片类药物后更容易出现不良后果的患者特征。为此,我们提出了一种生成模型,该模型允许从亚组的观察数据中发现,这些数据显示由于治疗而增加或减少的因果效应。我们的方法将子群作为混合分布进行建模,使用稀疏性来增强解释性,同时联合学习潜在结果的非线性预测因子以更好地调整混淆。该方法导致对已发现的子群的人类可解释的见解,提高决策支持的实用性
translated by 谷歌翻译
我们考虑具有块循环结构的凸SGD更新,即每个循环由少量块组成,每个块具有来自可能不同的块特定分布的许多样本。这种情况出现在例如联合学习中,其中在白天不同时间可用于更新的移动设备具有不同的特征。我们表明,这种块循环结构会显着降低SGD的性能,但提出了一种简单的方法,允许使用与i.i.d.,非循环,采样相同的性能保证进行预测。
translated by 谷歌翻译
由于众多公司和组织在今天比比皆是,因此从众多公司和组织中选择一个是一项艰巨而繁琐的任务。尽管有许多可用的度量标准对公司进行排名,但是对于考虑了公司员工意见的不同方面的广义度量标准存在固有的需求。在这项工作中,我们的目标是通过研究公司的可靠员工评论来生成基于方面情感的嵌入来克服上述问题。我们从着名的网站Glassdoor.comand创建了公司评论的综合数据集,采用了一种新颖的集合方法来执行方面级别的情感分析。虽然已经针对电影,音乐等主题的评论进行了相关的工作,但这项工作是第一次。我们还提供了整理嵌入的一些见解,从而帮助用户更好地了解他们的选择,以及选择使用自定义偏好的公司。
translated by 谷歌翻译
双边和非本地均值过滤器是基于内核的过滤器的实例,其通常用于图像处理。最近表明,可以使用核矩阵的低秩近似来执行灰度图像的快速且准确的双边滤波。更具体地,基于核矩阵的特征分解,使用空间卷积对整体滤波进行近似,对于该空间卷积,可以使用有效的算法。不幸的是,这种技术无法扩展到高维数据,如颜色和高光谱图像。这仅仅是因为需要计算/存储大矩阵并在此情况下执行其特征分解。我们展示了如何使用Nystr \“om方法解决这个问题,这种方法通常用于近似大矩阵的特征分解。所得算法也可用于非局部均值滤波。我们证明了我们的双边和非局部均值滤波方法的有效性。特别是,我们的方法与最先进的快速算法相比具有竞争力,而且它具有对近似误差的理论保证。
translated by 谷歌翻译
在即插即用图像恢复中,使用诸如非局部均值(NLM)或BM3D等强大的去噪器来执行正则化。这是在乘法器的交替方向方法(ADMM)的框架下完成的,其中,校正步骤被现成的降噪器正式替换。每次插入和播放迭代涉及正向模型的反演,然后是去噪步骤。在本文中,我们提出了一些提高反演和去噪步骤效率的想法。首先,我们建议使用线性化ADMM,它通常允许我们以比标准ADMM更低的成本执行反演。此外,我们可以轻松地将硬约束结合到优化框架中。其次,我们开发了一种双随机NLM的快速算法,最初由Sreehari等人提出(IEEE TCI,2016),比蛮力计算快约80倍。这个特定的降噪器可以表示为凸面调节器的近端图,因此,我们可以保证线性化的插入和播放ADMM的收敛。我们证明了我们提出的分辨率和单光子成像方案的有效性。
translated by 谷歌翻译
本文以统一的方式对视频进行自动摘要。特别是,我们提出了一个多方面摘要抽象,查询库和实体摘要的框架(在视频中对象,场景,人物和面部等实体层面的摘要)。我们研究了几个概括模型,这些模型捕获了多样性,覆盖范围,表示和重要性的概念,并根据应用来论证这些不同模型的效用。虽然大多数关于子模块化方法的先前工作都集中在组合几个模型和学习加权混合物上,但我们关注的是不同模型和变形的可解释性,以及它们如何应用于不同的领域。我们还提供了摘要系统的实现细节以及所涉及的不同模态。我们希望本文的研究能够为实验者提供有关为手头问题选择正确的摘要模型的见解。
translated by 谷歌翻译
本文描述了ORACLE的体系结构和性能,ORACLE是一种在物理层仅使用IQ样本从大型位类似设备(相同的硬件,协议,物理地址,MAC ID)中检测唯一无线电的方法。 ORACLE训练卷积神经网络(CNN),平衡计算时间和准确性,显示99%的分类精度,用于16节点USRP X310 SDR测试平台和$> 100美元COTSWiFi设备的外部数据库。我们的工作做出了以下贡献:(i)它研究了发射机链中导致IQ采样变化的以硬件为中心的特性; (ii)对于理想化的静态信道环境,它提出了一种CNN架构,只需要在前端可访问的原始IQ样本,无需信道估计或通信协议的先验知识; (iii)fordynamic渠道,它展示了反馈 - 驱动发送器侧修改的原理方法,其使用接收器处的信道估计来增加CNN分类器的可微性。这里的关键创新是通过软件指令故意在发送器端引入受控缺陷,同时最大限度地减少误码率的变化。与之前的工作不同,ORACLE采用“一次部署任何地方”的模式,具有接近完美的设备分类精度。
translated by 谷歌翻译
通常会在多组用户之间收集敏感统计信息,并随着时间的推移重复收集报告。例如,可以通过这样的报告来监视用户的私人偏好或软件使用的趋势。我们研究了在局部差分隐私(LDP)模型中收集此类统计数据,并描述了一种算法,其隐私成本在用户价值变化的数量上是多对数的。更基本的是 - 通过建立用户报告的匿名性 - 我们还说明了在差异隐私的中心模型中查看时,我们的LDP算法的隐私成本实际上可以更低。我们通过一种新的和一般的隐私放大技术表明,任何满足$ \ varepsilon $ -local差异隐私的置换 - 不变量算法都将满足$(O(\ varepsilon \ sqrt {\ log(1 / \ delta)/ n}),\ delta)$ - 中央差异隐私。通过这个,我们解释了LDP协议的高噪声和$ \ sqrt {n} $开销是如何导致它们在中心模型中显着更加私密的结果。作为一个实际的推论,我们的结果意味着几个基于LDP的工业部署可能比隐藏的$ \ varepsilon $表明的隐私成本要低得多 - 至少如果报告是匿名的。
translated by 谷歌翻译