基于多平台测试的机器学习有助于对成熟的B细胞瘤进行亚型分类
Junwei Lin1,2,3, Yafei Mu1,2, Lingling Liu4
1Guangzhou Medical University, Guangzhou, China.
British journal of haematology
|December 4, 2024
概括
机器学习模型改善了中国患者成熟B细胞新生瘤 (MBN) 的分类. 将下一代测序与流细胞计相结合,可显著提高这些复杂的血液癌症的诊断准确度.
科学领域:
- 血液学 血液学 血液学
- 在瘤学瘤学.
- 计算生物学 计算生物学
背景情况:
- 成熟的B细胞瘤 (MBNs) 包含40多种亚型,分类主要依赖于专家的解释.
- 由于临床专业知识和遗传背景的差异,现有的诊断方法可能会表现出变化.
- 在西方数据上训练的机器学习 (ML) 模型可能对像中国 MBN 患者这样的多样化人群来说并不理想.
研究的目的:
- 为中国的MBN患者开发和验证准确的基于ML的分类模型.
- 调查整合多平台数据 (NGS,细胞大小,流细胞计) 对MBN分类准确性的影响.
- 创建可访问的计算工具来协助MBN子类型化.
主要方法:
- 使用来自中国MBN患者的下一代测序 (NGS) 数据开发ML模型.
- 在ML模型中整合额外的特征,包括瘤细胞大小和流细胞计标记 (CD5,CD10).
- 优化特征选择,以提高模型性能和通用性.
- 与西方患者数据库对模型准确性的验证以及使用多平台数据评估改进.
主要成果:
- 基于NGS的初始ML模型实现了0.719的精度 (降至0.707的特征选择后).
- 结合NGS和瘤细胞大小的模型在特征选择后达到0.763的准确性,超过西方衍生模型.
- 添加CD5和CD10流细胞计数据后,在特征选择后,精度提高到0.872.
- 开发的模型显示,与在西方数据上训练的患者相比,中国的MBN患者的表现优越.
结论:
- 集成多平台数据的ML模型,特别是NGS和流细胞计,显著提高了MBN亚型分类的准确性.
- 这些计算工具为病理学家和临床医生在诊断MBN时提供了实际的辅助支持.
- 开发的模型显示了增强不同患者群体的诊断一致性和效率的前景.
