血液学维度缩小,这是对定期护理血液学数据的大规模应用
Huibert-Jan Joosse1, Chontira Chumsaeng-Reijers1, Albert Huisman1
1Central Diagnostic Laboratory, University Medical Center Utrecht, Heidelberglaan 100, Utrecht, 3584 CX, The Netherlands.
BMC medical informatics and decision making
|February 12, 2025
概括
像PCA和UMAP这样的尺寸缩小技术可以可视化完整血清 (CBC) 数据. 然而,这些方法可能会降低日常护理中的诊断准确性,限制它们的使用到可视化应用.
科学领域:
- 血液学 血液学 血液学
- 生物信息学是一种生物信息学.
- 数据科学数据科学数据科学
背景情况:
- 常规诊断涉及高维数据,这给研究和临床整合带来了扩展挑战.
- 具有超过70个参数的完整血清 (CBC) 数据需要有效的处理和可视化.
- 研究了维度缩小技术,以处理复杂的CBC数据,同时保持数据完整性.
研究的目的:
- 评估线性 (PCA) 和非线性 (UMAP,TriMap,PaCMAP) 的维度减小技术,用于CBC数据分析.
- 评估这些方法的技术性能和生物表现.
- 确定尺寸缩小适用于综合诊断和研究的适用性.
主要方法:
- 来自UMC乌特勒支UPOD数据库的300多万个CBC测量的分析.
- 主要组件分析 (PCA),统一多重近似和投影 (UMAP),TriMap和PaCMAP的应用.
- 使用质量指标的评估,生物模式的保存 (日间,年龄,性别),集群分析和白血病患者的识别.
主要成果:
- 与非线性方法相比,PCA在代表临床血液学数据方面表现出优异的性能.
- 生物周期性得到保留,但对年龄和性别的预测性能下降.
- 观察到对集群的高估,并且可以识别白血病患者的独特模式.
结论:
- 无监督的缩小尺寸技术最适合用于血液学中的数据可视化.
- 在诊断管道中的实施可能会损害综合诊断的质量.
- 当将这些技术应用于临床常规护理时,需要仔细考虑.
