Abstract B034: Decoding the Leukocyte Effect: How Cell Retention Shapes ML Outcomes in Platelet RNA-based Cancer Detection
Notice bibliographique
Résumé
Abstract Introduction: Liquid biopsy offers a promising, minimally invasive approach for cancer detection by providing valuable insights into tumor biology. Among the various sources used in liquid biopsy, platelets and their RNA stand out as a unique diagnostic tool, reflecting the body’s systemic response to cancer. However, during laboratory platelet extraction known as platelet washing, white blood cells (WBCs) retention can occur, potentially confounding platelet-derived RNA sequencing data. Materials and methods: To address this challenge, we developed a method to quantify WBC enrichment in platelet RNA-seq datasets. Using the largest publicly available dataset (GEO GSE183635), which includes 2,351 samples from cancer patients, healthy donors, and individuals with benign, non-cancer conditions, we identified 3 sample clusters based on leukocyte marker levels. This allowed us to differentiate two entirely distinct sets of samples, with the lowest and the highest WBC retention, containing 377 matched samples in each set. We then assessed how the leukocyte presence influences the performance of machine learning models for cancer classification for the low and high leukocyte subgroup. Results: Across the full test set (n=453), our model achieved an area under the curve (AUC) of 0.94. Interestingly, in the low-leukocyte subset (n=229), the AUC slightly decreased to 0.93, whereas in the high-leukocyte subset (n=224), it increased to 0.95. Discussion: These results suggest that while leukocyte retention may slightly enhance classification performance, platelets alone provide substantial diagnostic value. Overall, our findings highlight the strong potential of platelet-based liquid biopsy and reveal how understanding leukocyte retention can further refine cancer detection strategies. Citation Format: Michał Sieczczynski, Krzysztof Pastuszak, Anna J. Zaczek, Matthew T. Rondina, Sjors GJG. in 't Veld, Myron G. Best, Anna Supernat. Decoding the Leukocyte Effect: How Cell Retention Shapes ML Outcomes in Platelet RNA-based Cancer Detection [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: Artificial Intelligence and Machine Learning; 2025 Jul 10-12; Montreal, QC, Canada. Philadelphia (PA): AACR; Clin Cancer Res 2025;31(13_Suppl):Abstract nr B034.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».