芬兰患者样本的人工智能辅助血清蛋白电泳分析:追溯验证
Tapio Lahtiharju1, Lassi Paavolainen2, Janne Suvisaari1
1Department of Clinical Chemistry, HUS Diagnostic Centre, Helsinki University Hospital and University of Helsinki, P.O. Box 720, FI-00029 HUS, Finland.
Clinica chimica acta; international journal of clinical chemistry
|December 11, 2024
概括
机器学习模型可以自动化血清蛋白电泳 (SPEP) 解释,减少手工工作. 这些模型准确地对正常的SPEP结果进行分类,并预测类蛋白的位置和度.
科学领域:
- 临床化学 临床化学
- 人工智能在医学中的应用
- 医学诊断 医学诊断 医学诊断
背景情况:
- 血清蛋白电泳 (SPEP) 的解释是劳动密集型的.
- 之前的机器学习方法,如SPECTR,已经用于SPEP分析.
- 对免疫固定电泳 (IFE) 的验证对于新方法至关重要.
研究的目的:
- 为验证和测试用于SPEP解释的SPECTR机器学习方法.
- 评估神经网络模型在自动化SPEP分析中的性能.
- 为了比较自动SPEP结果与精确的免疫固定电泳.
主要方法:
- 在34625名患者的SPEP样本上训练了三个神经网络模型.
- 开发了用于电表图分成的模型,样本分类 (正常,模糊,异常) 和对蛋白质的预测.
- 利用赫尔辛基大学医院的数据进行模型培训和验证.
主要成果:
- 分割模型在95%的样本中达到了≤0.33g/L的误差.
- 在ROC分析中,分类模型显示曲线下的面积为97%.
- 整合模型预测了R2=0.991和RMSE=1.37g/L的偏蛋白度.
结论:
- 神经网络模型适用于SPEP报告的部分自动化.
- 模型有效地分类正常的电表图.
- 能够准确预测类蛋白的位置和度.
关键词:
人工智能的人工智能是人工智能.血液中的蛋白质电泳.深度学习是一种深度学习.多发性骨髓瘤是一种多发性骨髓瘤.副蛋白质血症 (Paraproteinemia) 是一种疾病.副蛋白质是一种类蛋白质.更多相关视频
11:03Use of Capillary Electrophoresis Immunoassay to Search for Potential Biomarkers of Amyotrophic Lateral Sclerosis in Human Platelets
Published on: February 10, 2020
7.2K
09:00High Throughput Sequential ELISA for Validation of Biomarkers of Acute Graft-Versus-Host Disease
Published on: October 31, 2012
15.8K