机器学习评估用于识别人血清中的M蛋白
Alexandros Sopasakis1, Maria Nilsson2, Mattias Askenmo2
1Mathematics, Faculty of Engineering (LTH), Lund University, Lund, Sweden.
PloS one
|April 2, 2024
概括
机器学习算法,特别是决策树,可以快速准确地识别血清蛋白质毛细血管电泳中的M蛋白. 这些方法在诊断血液学疾病和其他血液分析方面表现有前途.
科学领域:
- 临床化学 临床化学
- 生物信息学是一种生物信息学.
- 机器学习在医学中的应用
背景情况:
- 血清蛋白电泳 (SPEP) 对于通过检测单克隆蛋白 (M-蛋白) 来诊断多发性骨髓瘤等血液病至关重要.
- 机器学习 (ML) 显示了分析蛋白质电泳数据的潜力,包括用于瘤监测的糖模式.
研究的目的:
- 为了比较26个决策树算法来识别使用血清蛋白质毛细血管电泳数据的M蛋白.
- 利用游戏理论方法在电泳数据中识别关键诊断特征.
- 为了评估M-蛋白同型分类的ML算法.
主要方法:
- 使用了来自67,073个样本的匿名血清蛋白毛细血管电泳数据.
- 评估了26个决策树算法用于M蛋白检测.
- 使用游戏理论方法来确定特征的重要性.
- 对M蛋白检测和同型分类的性能进行了评估.
主要成果:
- 五种算法证明了优异的M蛋白检测:额外树木 (ET),随机森林 (RF),直方图分级提升回归器 (HGBR),光梯度提升方法 (LGBM) 和极端梯度提升 (XGB).
- 玛和β环球蛋白分量被确定为最重要的特征.
- 在M蛋白同型分类中,ET和XGB算法表现最好.
结论:
- 血清毛细管电泳与决策树算法相结合,为M蛋白识别提供了快速而准确的方法.
- 这些ML方法对各种血液分析具有广泛的诊断潜力,包括血红蛋白病变.
- 将ML与数值毛细管电泳和凝电泳图像数据相结合,可以提高M蛋白同型的分类.
