基于实验室参数预测急性白血病亚型的机器学习模型的评估:法国的一项多中心模型开发和验证研究

科学领域:

• 血液学 血液学 血液学
• 机器学习 机器学习
• 在瘤学瘤学.

背景情况:

• 急性白血病是侵略性的血液癌症,需要及时诊断才能有效治疗.
• 目前的诊断方法依赖于专家细胞学分析,但这种分析并非所有人都能获得.
• 鉴定急性白血病 (ALL,AML,APL) 的亚型对于指导治疗和改善生存率至关重要.

研究的目的:

• 开发和验证一种机器学习模型,用于使用常规实验室参数预测急性白血病亚型.
• 为了对不同的机器学习策略进行白血病诊断的比较.
• 创建一个可访问的工具,AI-PAL,以协助急性白血病的早期诊断.

主要方法:

• 一项多中心研究,涉及来自法国六所大学医院的数据.
• 使用19个常规实验室参数开发极端梯度增强模型.
• 使用接收器运行特征曲线 (AUC) 下面面积的AI-PAL模型的内部和外部验证.

主要成果:

• AI-PAL模型在验证队列中实现了高诊断准确性:APL的AUC为0.97,ALL为0.90,AML为0.89.
• 该模型表现出极好的性能,具有自信的截止值,显示最小的错误分类 (0.14% - 0.28%).
• 总的来说,AI-PAL为97.5%的患者提出了诊断,准确度很高:在自信模型中,ALL的99.5%,AML的98.8%,APL的99.7%.

结论:

• AI-PAL能够准确诊断急性淋巴细胞白血病 (ALL),急性髓性白血病 (AML) 和急性促细胞白血病 (APL).
• 该模型依赖于十个简单的实验室参数,使其广泛适用,特别是在资源有限的环境中.
• 在缺乏专门细胞学专业知识的领域,AI-PAL可以显著帮助初始治疗决策.