机器学习用于诊断和查慢性淋巴细胞白血病,使用常规全血细胞计数 (CBC) 结果

科学领域:

• 血液学 血液学 血液学
• 医疗信息学 医疗信息学
• 计算生物学 计算生物学

背景情况:

• 慢性淋巴细胞白血病 (CLL) 是最常见的白血病亚型,占所有白血病病例的25-30%.
• 尽管它很普遍,但在用于CLL诊断的人工智能 (AI) 的应用方面存在很大的差距.
• 现有的诊断方法可能是资源密集型或延迟,影响患者的结果.

研究的目的:

• 调查基于数据的AI技术的有效性,以仅使用全血细胞计 (CBC) 参数来诊断CLL.
• 探索利用常规CBC数据中反映的免疫功能障碍的潜力,用于基于AI的CLL检测.
• 为早期CLL诊断开发强大而准确的AI分类器.

主要方法:

• 利用统计推断和四种不同的特征选择方法.
• 采用多级超参数调整来优化分类器性能.
• 开发和评估AI模型,包括二次差异分析 (QDA),物流回归 (LR) 和XGboost (XGb).

主要成果:

• 实现了高分类准确度:QDA的97.05%,LR的97.63%,XGboost的98.62%.
• 证明了分析CBC数据的AI模型可以有效地识别CLL.
• 强调了这些方法在反映潜在的免疫功能障碍方面的潜力.

结论:

• 用人工智能驱动的CBC数据分析为CLL的及时诊断提供了一个有希望的途径.
• 这些方法为癌症检测提供了一种具有成本效益和资源效率的方法.
• 改进的诊断能力可以带来更好的患者护理和结果.