提高HLA-B27抗原检测:利用机器学习算法进行流量细胞计分析

科学领域:

• 免疫遗传学 免疫遗传学
• 计算生物学 计算生物学
• 临床诊断 临床诊断 临床诊断

背景情况:

• 人类白细胞抗原B27 (HLA-B27) 与脊髓脊髓病症密切相关.
• 流细胞计通常用于检测HLA-B27,但由于交叉反应性,可以产生模两可的结果.
• 流细胞计结果中的"灰色区域"需要进一步分类,以准确诊断HLA-B27.

研究的目的:

• 应用机器学习 (ML) 方法来分类模两可的HLA-B27抗原表达数据.
• 评估各种ML算法的性能,以区分边界病例中的阳性和阴性HLA-B27结果.
• 在临床环境中提高HLA-B27测试的准确性和可靠性.

主要方法:

• 为HLA-B27抗原测试分析选择了99个模两可的样本.
• 用流细胞计和聚合酶连锁反应进行样本分析.
• 经过训练和验证的后勤回归 (LR),决策树 (DT),随机森林 (RF) 和光梯度提升方法 (GBM) 使用流动细胞计测量历史图特征.

主要成果:

• 所有评估的ML算法都显示出高精度,灵敏度,特异性和预测值.
• 随机森林算法在测试样本集上显示出最佳性能,AUC为0.92.
• 轻GBM,DT和LR的AUC值分别为0.88,0.89和0.89,算法之间没有显著的统计差异.
• 梯度增强方法在较小的样本大小上可能不那么有效.

结论:

• 机器学习算法可以有效地分类模两可的HLA-B27数据,减少不确定的结果.
• 在HLA-B27测试中实施ML可以最大限度地减少假阴性和假阳性,特别是在基因测试不可用的地方.
• ML为改善临床实验室HLA-B27测试的诊断精度提供了一个有价值的工具.