带血中CD34⁺细胞的自动隔离:基于机器学习的ISHAGE协议的性能评估

科学领域:

• 流动细胞计量流动细胞计量
• 机器学习是机器学习.
• 细胞疗法是一种细胞疗法.

背景情况:

• 精确量化细胞子集对于移植资格和新兴疗法至关重要.
• 在流细胞计中,手动关门,例如CD34+计数,引入了操作员的可变性.
• 为了提高细胞分析的可靠性,需要进行标准化.

研究的目的:

• 评估一种机器学习方法,用于标准化的CD34+细胞自动计数.
• 评估自动门是否可以减少与手动方法相比操作员的变化.
• 为了比较机器学习算法的性能与专家手动关门的性能.

主要方法:

• 一个机器学习算法被训练在手动封闭的流细胞计数据 (FCS文件).
• 该算法应用于原始流量细胞计数据,用于自动化CD34+计数.
• 从多个实验室使用统计指标 (Z-scores,相关性,布兰德-阿尔特曼,ICCs) 对手动关门进行了性能评估.

主要成果:

• 机器学习方法 (AI1) 始终以高保真度重现专家CD34+计数.
• 在所有样本中,AI1 仍然在人类共识的 ±2 SD 范围内,显示最小的偏差和狭窄的协议限制.
• 这两种AI模型都与手动关门有很强的相关性 (AI1:r=0.991,AI2:r=0.968),其中AI1显示出更高的一致性 (ICC=0.995).

结论:

• 基于机器学习的自动关门有效地复制了专家的CD34+计数.
• 这种自动化方法显著减少了流动细胞计的操作员依赖的变化.
• 该方法有可能在带血储存和细胞治疗工作流程中加强细胞计量标准化.