三种机器学习算法的比较,用于使用临床流细胞计数据对B细胞瘤进行分类

科学领域:

• 临床诊断 临床诊断 临床诊断
• 生物信息学是一种生物信息学.
• 机器学习在医疗保健中的应用

背景情况:

• 多参数流细胞计对于临床疾病诊断至关重要,但是劳动密集的.
• 人工智能 (AI) 提供了自动化和改进流细胞计数据解释的潜力.
• 之前的研究已经探索机器学习用于流细胞计数据分类.

研究的目的:

• 评估三种机器学习方法来分类流细胞计数据.
• 将这些方法应用于B细胞瘤数据集,以预测疾病亚型.
• 根据准确性和计算时间来比较算法性能.

主要方法:

• 检查了三种已建立的机器学习算法,用于流细胞计数据分类.
• 应用算法对来自B细胞瘤队列的未检测的流细胞计数据.
• 比较算法架构,多类分类准确度和计算时间.

主要成果:

• 两种方法,即flowCat和EnsembleCNN,在B细胞瘤的分类中取得了相当高的准确性.
• 无论是flowCat还是EnsembleCNN都表现出相对较快的计算性能.
• 汇编CNN表现出速度优势,尤其是在结合额外的培训数据时.

结论:

• 人工智能算法,特别是flowCat和EnsembleCNN,在协助流细胞计数据的临床解释方面表现有前途.
• 这些人工智能方法可以从B细胞瘤数据准确预测疾病亚型.
• EnsembleCNN为流细胞计数据分析提供了一种高效且可扩展的解决方案.