在流细胞计学中应用和描述多个实例学习框架
Zhiyuan Ding1, Alexander Baras2
1Department of Health Sciences Informatics, Johns Hopkins University School of Medicine, Baltimore, Maryland, United States of America. zding20@jhmi.edu.
Scientific reports
|January 12, 2026
概括
使用多实例学习的自动流量细胞计分析为手动关门提供了一个可解释的替代方案. 这种方法改善了用于各种生物医学应用的细胞子集识别,增强了精准医学.
科学领域:
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
- 生物医学数据科学 生物医学数据科学
背景情况:
- 流细胞测量可实现单细胞分析,但依赖于劳动密集型,容易产生偏差的手动关门.
- 手动关门涉及顺序生物标志物选择以隔离细胞群体,限制吞吐量和可复制性.
研究的目的:
- 引入和评估用于自动化流细胞计数据分析的多实例学习框架.
- 提供一种可解释的,数据驱动的替代手动门的替代方案,用于识别细胞表型.
主要方法:
- 应用多实例学习框架,以流动细胞计量数据集.
- 检查网络架构对预测性能和罕见细胞检测的影响.
- 利用注意力机制来直接识别与表型相关的细胞子集.
主要成果:
- 多实例学习模型在各种生物医学应用中表现出强的性能.
- 在癌症亚型,艾滋病毒分层,AML MRD预测和COVID-19严重程度评估中成功应用.
- 注意力机制使得临床显著细胞子集的可解释识别成为可能.
结论:
- 多实例学习为自动流细胞计分析提供了一个可扩展和可解释的框架.
- 这种方法在精准医学和转化免疫学方面具有广泛的潜力.
- 自动化分析克服了手动关门的局限性,提高了效率并减少了偏差.
