人工智能用于临床流细胞计
Robert P Seifert1, David A Gorlin2, Andrew A Borkowski3
1Department of Pathology, Immunology and Laboratory Medicine, University of Florida, College of Medicine, 4800 Southwest 35th Drive, Gainesville, FL 32608, USA.
Clinics in laboratory medicine
|July 22, 2023
概括
机器学习在流细胞测量中显示出希望,但面临挑战. 关键问题包括"黑子"算法,这些算法阻碍了可解释性,并且在没有协作开发的情况下,潜在的概括性很差.
科学领域:
- * 计算生物学 * 计算生物学
- * 数据科学数据科学
- * 免疫学 免疫学
背景情况:
- * 机器学习 (ML) 提供先进的分析能力.
- * 流细胞计产生复杂的,高维的数据集.
- *将ML集成到流细胞计工作流中是一个新兴的研究领域.
研究的目的:
- * 审查机器学习的基本原则.
- * 探索ML在流细胞计中的近期应用.
- * 确定 ML 在这个领域的挑战和局限性.
主要方法:
- * 关于机器学习应用在流细胞计中的当前文献的综述.
- * 讨论机器学习算法背后的原则.
- *对流细胞计数据现有ML模型的优缺点进行分析.
主要成果:
- *ML在流细胞计中的应用对数据分析具有前景.
- * 机器学习模型的可解释性 ("黑子"问题) 是其采用的主要障碍.
- * 在没有多机构发展的情况下,ML模型的普遍性不佳是令人担忧的.
结论:
- *克服可解释性挑战对于在流细胞计学中广泛采用ML至关重要.
- * 需要合作,多机构的努力来提高ML模型的通用性.
- *未来的方向包括部署增强型决策工具.


