血清タンパク質電解データの解釈のための機械学習モデル
Yee-Ting Cheung1, Hoi-Shan Leung1, Jeremiah Sik-Bit Tseung1
1Chemical Pathology Laboratory, Department of Pathology, Princess Margaret Hospital, Hong Kong.
Pathology
|August 25, 2025
まとめ
機械学習モデルは,血清タンパク質電解 (SPE) の結果の解釈において人間に近いパフォーマンスを示し,パラタンパク質血症の診断の効率と客観性を向上させます. これらのAIツールは 臨床実験室での分析と再現性を高めます
科学分野:
- 臨床化学
- 医療における人工知能
- バイオ情報学
背景:
- 血清タンパク質電解 (SPE) は,パラプロテイン血症の診断に不可欠ですが,時間がかかり,観察者間の変動が起こりやすいです.
- SPE検査は年間1万件以上求められ,より効率的で客観的な解釈方法が必要であることを強調しています.
研究 の 目的:
- SPEにおけるデジタル化された毛細血管電泳 (CE) トレーシングの自動解釈のための機械学習 (ML) モデルの開発と評価.
- 精鋭の病理学者と比較して,血清タンパク質の分化,分類,定量化におけるMLモデルのパフォーマンスを評価する.
主な方法:
- 3つの人工ニューラルネットワークは,プリンセス・マーガレット病院 (PMH) のCEトラッキングとSPEレポートを使用して訓練されました.
- モデルは,Tuen Mun病院 (TMH) の独立したデータセットで評価され,24,000以上のサンプルで構成されました.
- 業績指標には,ROC曲線の下の面積,合意率,および相関係数 (スピーマンのr) が含まれていた.
主要な成果:
- 分類モデルでは,試験データセットでAUCが0. 976と93. 8%の一致を達成した.
- 分割モデルでは,手作業方法との差はほとんどなく,平均差は - 0. 0884から0. 155g/Lであった.
- ピーク定量化は手作業方法と強い相関性を示した (スピーマンのr=0.976).
結論:
- MLモデルは,SPEの解釈において人間に近い性能を達成し,客観性と再現性を向上させます.
- これらのAIツールは高通量分析を容易にし,パラプロテイン血症の検出のための臨床実験室のワークフローに革命をもたらす可能性があります.
