利用机器学习来快速准确地诊断急性白血病

科学领域:

• 血液学 血液学 血液学
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 早期发现急性白血病 (AL) 对于有效治疗和改善患者存活率至关重要.
• 机器学习 (ML) 为快速查和诊断AL提供了一个有希望的途径,可能减少诊断延迟.

研究的目的:

• 评估ML模型在使用白细胞细胞群数据 (CPD) 检测AL方面的有效性.
• 根据CPD形态测量,将AL分为急性髓性白血病 (AML) 和急性淋巴细胞白血病 (ALL).
• 分析有助于ML模型预测性能的特征.

主要方法:

• 从Sysmex XN1000分析仪使用白细胞参数和CPD分析1211例 (810个AL,401个良性) 的分析.
• 使用5倍交叉验证进行多个ML模型 (LightGBM,CatBoost,TabNet,XGBoost) 的培训和评估.
• 使用SHAP (夏普利添加式扩展) 进行特征重要性评估.

主要成果:

• ML模型成功地将AL与良性病例区分开来,并将AML与ALL区分开来.
• XGBoost表现出高性能,对AL检测具有88%的灵敏度和94%的特异性.
• 关键的预测特征包括NE-WY,MO-WZ,LYMPH,NE-WZ,NEUT和MONO#参数.

结论:

• 使用白细胞和CPD参数的ML模型显著改善了在微观前阶段预测AL及其亚型的预测.
• 将其集成到血液学分析仪中,为早期检测和差异化提供了一个新的,具有成本效益的工具.
• 可解释的ML预测支持专家的决策,减少主观性和加速诊断.