对机器学习方法的评估,以量化来自中性粒细胞的细胞活动的血乳酸
Muhammad Nabeel Tahir1, Kurt Wagner2,3, Umer Hassan4,5
1Department of Electrical and Computer Engineering, Rutgers The State University of New Jersey, Piscataway, NJ, 08854, USA.
Scientific reports
|February 24, 2025
概括
中性粒细胞的细胞酶活动可以预测血液中的乳酸盐水平,有助于患者分层处理诸如败血症休克等疾病. 机器学习模型在将患者分为高乳酸和低乳酸组时达到78%的准确性.
科学领域:
- 免疫学 免疫学 免疫学
- 生物标志物发现发现
- 计算生物学 计算生物学
背景情况:
- 细胞化是关键的先天免疫机制,用于清除病原体和碎片.
- 血液中的乳酸盐水平,尤其是升高的水平,作为一种关键的生物标志物,用于诸如败血症休克等疾病.
- 与乳酸等生物标志物一起量化细胞活性可以提高对免疫反应和患者预后的理解.
研究的目的:
- 为了研究细胞酶活动和血液乳酸盐水平之间的关系.
- 开发机器学习模型,根据细胞形成的数据将患者分为高和低血乳酸盐组.
- 评估细胞形成的潜力,作为免疫状态的预测生物标志物.
主要方法:
- 从19名患者的全血样本中分离了中性粒细胞.
- 发细胞测试涉及化中性粒细胞与IgG涂层的光生物颗粒.
- 数据分析包括分类的等级聚类,热图和机器学习模型 (决策树,k-NN,天真贝叶斯).
主要成果:
- 通过热图和聚类可视化的细胞体数据成功地区分了对照和高风险乳酸盐群体.
- 机器学习模型,训练细胞酶活动,将患者分为高风险和低风险的乳酸组.
- 性能最好的模型实现了78%的最大分类精度和0.78.7的AUC.
结论:
- 细胞活性是预测血液乳酸盐水平的可行指标.
- 机器学习模型可以有效地利用细胞化数据来根据乳酸水平对患者进行分层.
- 这种方法为监测免疫反应和在临床环境中潜在地分层患者提供了一个新的工具.
