FlowCAP: critical assessment of flow cytometry population identification methods (65.2)
Notice bibliographique
Résumé
Abstract Traditional methods for flow cytometry (FCM) data processing have relied on manual gating of cell events to define cell populations for statistical analysis. However, this approach has become increasingly problematic with the advances in instrumentation and reagents that allow for evaluation of larger numbers of cell properties. Recently several groups have developed computational methods for automatically identifying cell populations in multidimensional FCM data obviating the need for manual gating. In order to compare the performance of these methods, the Flow Cytometry: Critical Assessment of Population Identification Methods (FlowCAP) competition was established to make available a common set of FCM data together with manual gating results for comparative analysis. The first FlowCAP competition included 5 different data sets with data from 12-30 samples containing 5000-100,000 cell events stained with 3-10 fluorochrome markers. We received 36 analysis result submissions from 14 research groups. Both model fitting and density-based clustering methods were found to perform well in comparison with manual gating by domain experts as the gold standard, using statistical tests to measure and rank algorithm performance. In addition, combining results using a computational “ensemble” method was found to outperform all individual methods. These results suggest that, in the near future, automated computational methods may become an integral part of routine FCM data analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».