Computational analysis optimizes the flow cytometric evaluation for lymphoma
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Although many clinical laboratories are adopting higher color flow cytometric assays, the approach to optimizing panel design and data analysis is often traditional and subjective. In order to address the question "What is the best flow cytometric strategy to reliably distinguish germinal center B-cell lymphoma (GC-L) from lymphoid hyperplasia (GC-H)?" we applied a computational tool that identifies target populations correlated with a desired outcome, in this case diagnosis. Design: Cases of GC-H and GC-L with a germinal center phenotype, evaluated by flow cytometric immunophenotyping using CD45, CD20, kappa, lambda, CD19, CD5, CD10, CD38, were analyzed with flowType and RchyOptimyx to construct cellular hierarchies that best distinguished the two diagnostic groups. Results: The population CD5-CD19+CD10+CD38- had the highest predictive power. Manual reanalysis confirmed significantly higher CD10+/CD38-B-cells in GC-L (median 12.44%, range 0.74 - 63.29, n=52) than GC-H (median 0.24%, 0.03 - 4.49, n=48, p=0.0001), but was not entirely specific. Difficulties encountered using this computational approach included the presence of CD10+ granulocytes, continuously variable B-cell expression of CD38, more variable intensity antigen staining in GC-L and inability to assess the contribution of light chain restriction. Conclusion: Computational analysis with construction of cellular hierarchies related to diagnosis helped guide manual analysis of high dimensional flow cytometric data. This approach highlighted the diagnostic utility of CD38 expression in the evaluation of B-cells with a CD10+ GC phenotype. In contrast to computational analysis of non-neoplastic cell populations, evaluation of neoplastic cells must be able to take into consideration increased variability in antigen expression. © 2013 Clinical Cytometry Society.
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.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,011 |
| 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) | 0,003 | 0,001 |
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 découle