.png){kind=icon}
返回
AI and flow cytometry
.png){kind=icon}
PRE
AI
DOI：10.1093/jimmun/vkaf292.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能（AI）和机器学习（ML）正在改变生物技术领域，并在生物经济中发挥着关键作用。生物技术创新的前沿最重要的测量能力之一是流式细胞术（FCM），这是一种高通量、单细胞分析平台技术。然而，FCM数据的质量和一致性在不同实验室和研究数据集中可能存在显著差异，导致数百万FCM数据集被孤立存储，无法用于AI应用。本次研讨会专注于克服挑战并识别解决方案，包括必要的测量指标、参考对照、AI就绪的参考数据以及当前的AI/ML模型。其目的是推动FCM及相关数据在AI/ML中的应用。
Keyword:
Flow cytometry (FCM)
Artificial intelligence (AI) and machine learning (ML) models, Experimental design incorporating reference materials
Data repositories and data standards
translational and clinical applications
期刊
IF:
3.4
论文数:
3.7W
被引数:
9.9W
机构
引用论文
Clinical Validation and Post-Implementation Performance Monitoring of a Neural Network-Assisted Approach for Detecting Chronic Lymphocytic Leukemia Minimal Residual Disease by Flow Cytometry.png)
Cancers
CancersIF0
PREAI
分享收藏Expanding NIST Calibration of Fluorescent Microspheres for Flow Cytometry to More Fluorescence Channels and Smaller ParticlesMATERIALS
OAAI
MATERIALSIF3.2
OAAI分享收藏 没有更多内容
没有更多内容