监督机器学习模型用于血清蛋白电泳数据的解释
Yee-Ting Cheung1, Hoi-Shan Leung1, Jeremiah Sik-Bit Tseung1
1Chemical Pathology Laboratory, Department of Pathology, Princess Margaret Hospital, Hong Kong.
Pathology
|August 25, 2025
概括
机器学习模型在解释血清蛋白电泳 (SPE) 结果方面表现接近人类,提高了对蛋白质血症的诊断效率和客观性. 这些人工智能工具在临床实验室环境中增强了高吞吐量分析和可重复性.
科学领域:
- 临床化学
- 医学的人工智能
- 生物信息学
背景情况:
- 血清蛋白电泳 (SPE) 对于诊断副蛋白质血症至关重要,但耗时且容易发生观察者间变异.
- 每年要求进行超过1万次SPE测试,这凸显了对更有效,更客观的解释方法的需求.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于在SPE中自动解释数字化毛细血管电泳 (CE) 痕迹.
- 与专家病理学家相比,评估ML模型在血清蛋白的分离,分类和定量方面的性能.
主要方法:
- 通过使用玛格丽特公主医院 (PMH) 的CE跟踪和SPE报告训练了三个人工神经网络.
- 模型的评估基于来自图恩蒙医院 (TMH) 的独立数据集,其中包括超过24,000个样本.
- 绩效指标包括ROC曲线下的面积,协议率和相关系数 (斯皮尔曼的r).
主要成果:
- 在测试数据集中,分类模型的AUC达到了0. 976和93. 8%的一致性.
- 分割模型与手工方法的差异很小 (平均差异为-0.0884至0.155g/L).
- 峰值量化显示与手动方法有很强的相关性 (斯皮尔曼的r=0.976).
结论:
- 在SPE解释中,ML模型实现了接近人类的性能,提供了更好的客观性和可重现性.
- 这些人工智能工具有助于高吞吐量分析,有可能彻底改变临床实验室检测对蛋白质的流程.
