计算流细胞计准确地识别基于简化异常和克隆性特征的剖腹产细胞
Jansen N Seheult1, Matthew J Weybright1, Dragan Jevremovic1
1Division of Hematopathology, Mayo Clinic, Rochester, Minnesota, USA.
The Journal of investigative dermatology
|January 18, 2024
概括
机器学习简化了识别Sezary细胞,这对于诊断真菌菌病和Sezary综合征至关重要. 这种人工智能方法可以准确地将瘤T细胞与反应性T细胞区分开来,帮助临床决策.
科学领域:
- 血液学 血液学 血液学
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
背景情况:
- 流细胞计对于通过识别塞萨里细胞来诊断真菌菌病和塞萨里综合征至关重要.
- 精确的剖腹产细胞鉴定需要专门的专业知识,因为复杂的免疫类型和重叠与反应性T细胞.
研究的目的:
- 开发一种机器学习方法,以简化和提高Sezary细胞识别的准确性,使用流细胞计.
- 评估机器学习在区分Sézary细胞和反应性T细胞方面的表现.
主要方法:
- 利用机器学习算法应用于Sézary综合征/mycosis fungoides和健康对照患者的流细胞计数据.
- 开发了一个缩小维度图和Sezary细胞分析的异常尺度特征.
- 机器学习结果与专家手动分析进行了比较,用于分类和量化.
主要成果:
- 一个单维缩小图有效突出了克隆CD3+/CD4+T细胞.
- 机器学习异常量表现出高准确度 (AUC = 0.98) 在区分塞萨里细胞.
- 机器学习分析与专家分类 (100%的积极,99%的负面一致) 和量化 (R2 = 0.9996) 非常相似.
结论:
- 机器学习提供了一种简化和准确的方法,用于在临床流细胞计中识别Sezary细胞.
- 这种由人工智能驱动的方法有可能提高真菌菌菌病和塞萨里综合征的诊断,分期和预后评估.
