从流动细胞测量数据中自动预测急性肌肉细胞白血病,使用图形神经网络管道

科学领域:

• 血液学 血液学 血液学
• 计算生物学 计算生物学
• 医学诊断 医学诊断 医学诊断

背景情况:

• 急性肌肉细胞白血病 (APL) 是急性肌肉细胞白血病 (AML) 的一个独特的亚型.
• 多色流细胞计 (MFC) 对于通过分析细胞表面标记物 (免疫类型) 来诊断血液恶性瘤至关重要.
• 准确和快速的APL分类对于及时和适当的治疗至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 模型,使用MFC数据精确分类APL与其他AML亚型.
• 确定关键的MFC参数和细胞种群,对于区分APL至关重要.
• 创建一个工具,可以帮助临床医生在APL诊断.

主要方法:

• 使用了包括27名APL和41名其他AML患者的MFC文件的数据集.
• 开发了一个以图形神经网络 (GNN) 为中心的机器学习管道,用于分类.
• 使用输入扰动方法来确定MFC参数和细胞类型的意义.

主要成果:

• 在培训,验证和测试数据集上,GNN模型在将APL与其他AML分类时实现了100%的准确性.
• 该模型确定了MFC参数和细胞类型,与专家病理学家的评估一致.
• ML管道的性能适合整合到临床决策支持系统中.

结论:

• 开发的ML管道在从MFC数据中预测APL方面表现出高准确性和稳定性.
• 这种人工智能驱动的方法显示了有效选APL病例的潜力.
• 该模型的架构促进了可解释的预测,增强了临床效用.