MAGIC-DR:一种可解释的机器学习指导方法,用于急性髓性白血病可测量的残留疾病分析

科学领域:

• 血液学 血液学 血液学
• 计算生物学 计算生物学
• 免疫学 免疫学 免疫学

背景情况:

• 多参数流细胞计是急性髓性白血病 (AML) 最小残留疾病 (MRD) 测试的标准.
• 目前的AML MRD测试是耗时的,需要大量的专业知识.
• 机器学习 (ML) 提供了一个改善AML MRD检测准确性和效率的机会.

研究的目的:

• 开发和评估一个ML驱动的框架,用于增强AMLMRD分析.
• 将监督的ML分类与无监督的尺寸缩小相结合,以改善MRD种群的可视化和识别.
• 将新型ML方法与AMLMRD检测的传统方法进行基准测试.

主要方法:

• 训练有素的单细胞XGBoost分类器用于诊断AML和MRD阴性样本.
• 集成分类器预测与统一的多重近似和投影 (UMAP) 用于数据可视化.
• 开发了MAGIC-DR管道,将ML预测和UMAP纳入流式细胞计量标准 (FCS) 文件.
• 在25个测试案例中,对MAGIC-DR管道与传统的MRD分析进行了基准分析.

主要成果:

• XGBoost分类器的AUC中位数为0.97,有效地区分了AML细胞和正常细胞.
• 当与UMAP集成时,MAGIC-DR管道成功地突出显示了MRD群体与正常事件之间的差异.
• 观察到100%的一致性与常规分析的骨髓爆炸检测.
• MAGIC-DR发现了传统方法遗漏的其他不成熟的单细胞种群.

结论:

• 将监督的ML分类器与无监督的尺寸缩小集成,提供了一个强大的AML MRD分析方法.
• 在MAGIC-DR管道提供一个人-in-the-loop工作流,增强传统分析.
• 这种方法有可能加速MRD分析,并提高特定AML免疫类型的检测灵敏度.