Machine learning optimized multiparameter radar plots for <scp>B‐cell acute lymphoblastic leukemia</scp> minimal residual disease analysis
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: Flow cytometry is widely used for B-ALL minimal residual disease (MRD) analysis given its speed, availability, and sensitivity; however, distinguishing B-lymphoblasts from regenerative B-cells is not always straightforward. Radar plots, which project multiple markers onto a single plot, have been applied to other MRD analyses. Here we aimed to develop optimized radar plots for B-ALL MRD analysis. METHODS: We compiled Children's Oncology Group (COG) flow data from 20 MRD-positive and 9 MRD-negative B-ALL cases (enriched for hematogones) to create labeled training and test data sets with equal numbers of B-lymphoblasts, hematogones, and mature B-cells. We used an automated approach to create hundreds of radar plots and ranked them based on the ability of support vector machine (SVM) models to separate blasts from normal B-cells in the training data set. Top-performing radar plots were compared with PCA, t-SNE, and UMAP plots, evaluated with the test data set, and integrated into clinical workflows. RESULTS: SVM area under the ROC curve (AUC) for COG tube 1/2 radar plots improved from 0.949/0.921 to 0.989/0.968 after optimization. Performance was superior to PCA plots and comparable to UMAP, but with better generalizability to new data. When integrated into an MRD workflow, optimized radar plots distinguished B-lymphoblasts from other CD19-positive populations. MRD quantified by radar plots and serial gating were strongly correlated. DISCUSSION: Radar plots were successfully optimized to discriminate between diverse B-lymphoblast populations and non-malignant CD19-positive populations in B-ALL MRD analysis. Our novel radar plot optimization strategy could be adapted to other MRD panels and clinical scenarios.
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 | 0,006 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,005 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle