基于实时机器学习的系统的临床验证,用于通过流细胞计测量检测急性髓性白血病

科学领域:

• 临床病理学 临床病理学
• 生物信息学是一种生物信息学.
• 医学诊断 医学诊断 医学诊断

背景情况:

• 机器学习 (ML) 模型为流细胞计分析提供了潜在的好处,包括减少错误,增强可重复性和提高临床实验室的效率.
• 尽管有大量的流细胞计量ML模型建议,但临床部署在研究中仍然不足.
• 机器学习的成功临床集成需要强大的基础设施,用于自动推断,错误检测,分析,监控和结构化数据提取.

研究的目的:

• 描述一种临床上实施的机器学习模型,用于检测急性髓性白血病 (AML).
• 详细介绍了为支持这种ML模型的自动化临床部署而开发的基础设施.
• 评估部署的ML模型对临床工作流程的影响,包括周转时间和准确性.

主要方法:

• 使用流细胞计数据开发用于AML检测的ML模型.
• 实现基于云的基础设施,用于可扩展的模型推断.
• 使用基于Kubernetes的工作流系统来实现可重复性和资源管理.
• 整合一个系统,从全文报告中提取结构化诊断.
• 建立一个模型监测和可视化平台,用于持续的准确性评估.

主要成果:

• 一个ML模型用于AML检测的成功临床部署.
• 展示一个可扩展和有弹性的基于云的基础设施,支持自动推断.
• 在部署后的周转时间改进的量化.
• 根据原始模型验证统计数据验证生产准确性.

结论:

• 描述的ML模型和支持基础设施有助于在临床环境中有效和准确地检测AML.
• 云基础设施和工作流管理系统对于在临床诊断中可靠部署和监控ML模型至关重要.
• 部署后的分析证实了ML模型在常规临床实验室操作中的实际好处和持续的准确性.