Automated myeloma cell selection using machine learning and artificial intelligence.
Notice bibliographique
Résumé
7565 Background: Precision of sampling is critical to achieve accurate results relevant to diagnostics and prognostics. Sampling errors may compromise the sensitivity and specificity of otherwise credible diagnostics technologies. Our 3- dimensional (3D) telomeres profiling methodology is conducted on individual target cells selected from the patient sample processed using 3D immuno-FISH. In our traditional workflow target cells are manually selected by highly trained personnel based on morphological characteristics and/ or immunophenotypic characteristics, namely cells positive for CD138 and CD56. However, the variability among trained operators required rounds of verification by a second and third operator and an approval by a Hematopathologist or the Lab Director to confirm the selected cells in some cases. Therefore, automated detection of myeloma cells is of paramount importance. Methods: In this study we employed machine learning and artificial intelligence (AI) tools to develop an automated algorithm capable of streamlining target cell (i.e. myeloma) selection and minimize or eliminate operator introduced variability. Training libraries were built using positive and negative cells. Over 5000 cells were used in the algorithm training process. We employed iterative rounds of validation and refinement to achieve a high precision automated tool. AI then identified myeloma cells in an automated fashion and the results of AI identification were confirmed by a Hematopathologist. Results: We report the results of a comparative analysis done on 20 myeloma patients at different stages of the disease including MGUS, smouldering myeloma and active myeloma. Also, the sample type included bone marrow smears, purified mono-nucleated plasma cells and bone marrow biopsies. 50 verified manually selected target cells and 50 target cells selected by the automated cell selection tool, approved by a skilled operator, from the same sample of each patient were analyzed using the TeloView platform. The TeloView platform quantifies 6 telomeric molecular and structural parameters. We conducted statistical analysis to calculate Coefficient of Variation (CV) between the results of each patient. We set the acceptable variability to < 15%. We achieved CVs of less than 10% among all patients included in the analysis. Conclusions: The automated cell selection tool streamlined this critical sampling process in our workflow minimizing operator-introduced variability, reducing the processing time to a fraction of the time required for manual cell selection and verification which enables high throughput for the 3D telomeres profiling while maintaining precision.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».