制定标准,以优化使用机器学习模型对自动化全血细胞计数的手动涂抹审查
Jennifer M Hayes1, Mitchell R Hayes2, Kristen R Friedrichs3
1Wisconsin National Primate Research Center, University of Wisconsin-Madison, Madison, Wisconsin, USA.
Veterinary clinical pathology
|December 5, 2024
概括
机器学习可以降低全血细胞计数 (CBCs) 中的手动涂抹审查 (MSR) 率,同时保持高准确度. 这种方法优化了样本选择,减少了劳动力,提高了实验室诊断的效率.
科学领域:
- 兽医血液学 兽医血液学
- 计算病理学计算病理学
- 实验室诊断 实验室诊断 实验室诊断
背景情况:
- 手动涂抹检查 (MSR) 是完整血清 (CBC) 分析的关键但劳动密集的组成部分.
- 优化MSR流程对于提高实验室效率和降低成本至关重要.
- 当前的MSR标准可能不是普遍最佳的,需要探索先进的方法.
研究的目的:
- 评估机器学习 (ML) 在降低CBC的MSR率方面的有效性.
- 将ML性能与传统的专家衍生MSR标准进行比较.
- 确定ML是否可以保持或超过已建立的MSR指南的诊断性能.
主要方法:
- 来自非人类灵长类动物 ( rhesus 和 cynomolgus ) 的 9938 个自动化 CBC 和配对的 MSR 的分析.
- 开发两种专家衍生的MSR标准:适应的国际共识指南 (aICG) 和中心共识指南 (CCG).
- 在数据子集上训练一个集体ML模型以优化平衡精度,然后将其性能与测试数据集上的aICG和CCG进行比较.
主要成果:
- aICG标准显示高灵敏度 (80.8%),但高MSR率 (74.2%).
- CCG标准具有较低的灵敏度 (57.1%) 和较低的MSR率 (36.1%).
- 与CCG标准相结合的ML模型实现了优越的灵敏度 (76.8%) 和降低的MSR率 (45.1%),假阴性率为1.6%.
结论:
- 机器学习,当与专家衍生的标准集成时,可以有效地优化MSR的样本选择.
- 这种基于ML的方法显著降低了MSR率和CBC表现中的相关劳动力.
- ML为提高血液学分析的效率和准确性提供了一个有前途的工具.
