使用多个波长的凝块波形分析选激活的部分血小板时间延长的深度学习模型
Masato Matsuda1,2, Daiki Shimomura3, Takeshi Suzuki4
1Medical Laboratory Division, Niigata University Medical and Dental Hospital, 1-754, Asahimachi-dori, Chuo-ku, Niigata, 951-8520, Japan.
Scientific reports
|September 2, 2025
概括
分析凝块波形分析 (CWA) 曲线的深度学习模型准确地分类激活的部分血栓形成时间 (APTT) 延长的原因. 多波长CWA数据显著提高了分类性能,提供了一个有前途的诊断工具.
科学领域:
- 血液学
- 医疗诊断
- 医学的人工智能
背景情况:
- 激活的部分血栓形成时间 (APTT) 延长需要对因子缺乏,狼抗凝剂 (LA) 和抗凝剂使用等原因进行区分.
- 由于依赖视觉解释和有限的参数,传统的凝块波形分析 (CWA) 的准确性适度.
研究的目的:
- 在CWA数据上使用深度学习 (DL) 来开发APTT延长原因的高度准确的分类模型.
- 利用多波长检测和DL从凝块波形中提取隐藏的特征以改善诊断区分.
主要方法:
- 将基于卷积神经网络的DL模型应用于单波和多波长CWA曲线的数值数据.
- 通过10倍交叉验证对683个患者样本进行了DL模型的训练和评估.
主要成果:
- 使用单波CWA曲线的DL模型实现了高诊断性能 (AUC为0.943-0.988).
- 多波长CWA曲线进一步提高了性能 (AUC为0. 961- 0. 993),显示出高灵敏度 (≥88. 0%) 和特异性 (> 92. 0%).
- 传统的CWA参数显示出有限的差异性 (AUC为0. 532- 0. 858).
结论:
- 深度学习模型,特别是那些使用多波长CWA曲线的模型,显示出作为分类APTT延长的高性能选工具的显著前景.
- 这些DL模型的开发最好在个别实验室内实施,考虑到试剂和分析器的潜在变化.
