使用异质流细胞计数据检测急性髓性白血病和缓解状态

科学领域:

• 血液学的恶性瘤
• 计算生物学 计算生物学
• 免疫型定型 免疫型定型

背景情况:

• 精确的诊断和监测急性髓性白血病 (AML) 对于有效的治疗至关重要.
• 流细胞计对于检测AML的最小残留疾病至关重要.
• 目前的流式细胞计量方法与标记物异质性作斗争,并且经常忽视缓解状态.

研究的目的:

• 开发一个机器学习框架来分类AML,完全缓解 (AML-CR) 和从异质流细胞计数据的正常样本.
• 解决传统流细胞计分析在标记物变异性和缓解状态评估方面的局限性.

主要方法:

• 收集了53个标记器的数据集从流细胞计.
• 训练了六个机器学习分类器来区分AML,AML-CR和正常样本.
• 评估模型性能使用准确度,精度,回忆,F1分数和AUC.

主要成果:

• 随机森林模型实现了最高的性能.
• 实现了94.92%的准确性,94.13%的F1分数,94.58%的精度,93.74%的回忆和94.83%的AUC.
• 证明机器学习能够从异质数据中对AML和缓解状态进行分类.

结论:

• 机器学习,特别是随机森林,为在AML中分析异质流细胞计数据提供了强大的解决方案.
• 拟议的框架通过适应标志物变异性和包括缓解状态来增强AML的诊断和监测.
• 机器学习模型显示了提高血液学诊断精度的巨大潜力.