使用细胞群数据和深度学习提取的WBC散射图特征开发APL查模型
Qi Cai1, Bo Ye2, Wenbo Zheng2
1Department of Clinical Laboratory, School of Medicine, Ruijin Hospital, Shanghai Jiaotong University, Shanghai, 200025, China.
BMC cancer
|November 7, 2025
概括
一个新的机器学习模型使用常规血液检测快速标记疑似急性肌肉细胞白血病 (APL). 这种方法为缺乏资源的医院提供了至关重要的诊断工具,改善了早期检测和患者的结果.
科学领域:
- 血液学 血液学 血液学
- 机器学习在医学中的应用
- 诊断技术 诊断技术 诊断技术
背景情况:
- 急性肌肉细胞白血病 (APL) 是急性肌肉细胞白血病的高风险亚型.
- 快速诊断对于降低早期死亡率至关重要,但目前的方法耗时且在资源有限的环境中具有挑战性.
研究的目的:
- 使用常规实验室数据开发一种用于立即怀疑APL的新型机器学习方法.
- 为缺乏资源的医院提供新的诊断可能性.
主要方法:
- 一个两阶段的机器学习模型 (RFC-S) 是使用多中心回顾数据开发的.
- VGG-16网络从常规血液检查 (DIFF和WNB通道) 中提取了3D散射图特征.
- 该模型使用递归特征消除和值调整进行了优化,并进行了外部验证.
主要成果:
- 该RFC-S模型实现了高诊断准确性,AUC为0.9893 (测试组) 和0.9979 (外部验证).
- 它显示了98.15%的灵敏度和95.52%的特异性,超过了传统方法.
- SHAP分析确定了驱动预测的关键散射图特征;不需要额外的测试.
结论:
- RFC-S模型为APL查提供了一种创新,准确和计算效率高的方法.
- 它使用现有实验室数据的能力使其在资源有限的环境中变得非常宝贵.
- 这种实用工具可以帮助早期识别APL,并减少在不同临床环境中的诊断延迟.
