基于机器学习的UF-5000散射图的分析改善了尿路异形红细胞的识别
Yoshifumi Morita1, Teruhiko Yoshida1,2, Rin Yokoyama1
1Department of Clinical Laboratory, The University of Tokyo Hospital, Tokyo, Japan.
Annals of laboratory medicine
|November 5, 2025
概括
分析UF-5000散射图的机器学习模型准确地分类异形红细胞 (RBC),改善病的诊断. 这种方法可能会减少对侵入性脏活检的需要.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 医学诊断 医学诊断 医学诊断
- 机器学习 机器学习
背景情况:
- 识别异形红细胞 (RBC) 对于诊断质细胞疾病至关重要.
- 区分淋巴细胞和非淋巴细胞出血症可以减少对脏活检等侵入性手术的需要.
研究的目的:
- 用机器学习 (ML) 分析UF-5000散射图数据来增强尿红细胞的形态分类.
- 为了提高识别异形红细胞的准确性和可靠性.
主要方法:
- 通过显微镜将红细胞 (N=185) 分类为异形或同形.
- 量化UF-5000散射图以生成ML模型训练的20个统计特征.
- 在独立队列 (N=1,093) 中评估ML模型性能,使用显微镜和AUROC指标的一致性.
主要成果:
- 较小的红细胞/总红细胞比率是最强的传统UF-5000预测因子 (AUROC 0.97).
- 来自散射图的红细胞大小参数是异形红细胞识别的关键.
- 该ML模型的准确性高 (95.2%一致性,AUROC 0.95) 比单独的UF-5000 RBC-Info (92.1%一致性,AUROC 0.92) 更高.
结论:
- 基于散射图的ML模型显著提高了尿路RBC形态分类的准确性.
- 这种ML方法显示了减少对脏疾病侵入性诊断方法的依赖的潜力.
- 建议在多中心研究中进一步验证以进行常规的临床整合.
