帯血のCD34+細胞の自動ゲーティング:機械学習ベースのISHAGEプロトコルの性能評価
Carl Simard1, Diane Fournier2, Patrick Trépanier1,3
1Héma-Québec, Medical Affairs and Innovation, Québec City, Canada.
まとめ
機械学習のアプローチにより,CD34+細胞の自動的な数え方を標準化し,フローサイトメトリにおけるオペレータの変動性を減少させました. この方法により,帯血バンクや細胞療法における精度が向上します.
科学分野:
- フローサイトメトリーフローサイトメトリー
- 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) というものです.
- セルラーセラピー セルラーセラピー
背景:
- 細胞サブセットの正確な定量化は,移植資格と新興治療法にとって極めて重要です.
- CD34+枚挙などのフローサイトメトリーにおける手動ゲーティングは,オペレータの変動性を導入します.
- セルラー分析の信頼性を向上させるために標準化が必要である.
研究 の 目的:
- CD34+ 細胞の標準化された自動計算のための機械学習のアプローチを評価する.
- 自動ゲーティングが,手動方法と比較して,オペレーターの変動性を減らすことができるかどうかを評価する.
- 機械学習アルゴリズムのパフォーマンスを専門家によるマニュアルゲーティングと比較するために.
主な方法:
- 機械学習アルゴリズムは,手動でゲートされたフローサイトメトリデータ (FCSファイル) で訓練されました.
- アルゴリズムは,CD34+の自動的な数え方をするために,原始フローサイトメトリデータに適用されました.
- 性能は,統計的指標 (Zスコア,相関,Bland-Altman,ICCs) を使用して,複数の研究室から手動ゲーティングに対して評価されました.
主要な成果:
- 機械学習のアプローチ (AI1) は,高精度で CD34+ の専門的な枚挙を一貫して再現しました.
- AI1は,すべてのサンプルでヒトのコンセンサスの ±2 SD の範囲にとどまり,最小のバイアスと狭い合意の限界を示しました.
- 両方のAIモデルは,マニュアルゲーティング (AI1: r=0.991,AI2: r=0.968) と強い相関を示し,AI1は優越した合意を示した (ICC=0.995).
結論:
- 機械学習ベースの自動ゲーティングは,エキスパートのCD34+枚挙を効果的に再現します.
- この自動化されたアプローチは,フローサイトメトリーのオペレーター依存の変動を大幅に軽減します.
- この方法は,帯血液バンクや細胞療法ワークフローにおける細胞測定標準化を強化する可能性を秘めています.
