Review of flow cytometry findings and associated scoring approaches for identifying myelodysplastic syndrome and the future role of machine learning in improving the diagnostic algorithm
Notice bibliographique
Résumé
OBJECTIVE: Myelodysplastic syndrome (MDS) is a heterogeneous set of neoplasms that require careful exclusion of potential mimics before diagnosis. In the absence of identified recurrent cytogenetic or molecular genetic alterations, low-grade MDS can be particularly challenging to diagnose. Despite years of accumulating data demonstrating atypical flow cytometry findings associated with MDS, flow cytometry fails to find significant widespread use for diagnosing MDS primarily due to the varied and often subtle altered flow cytometry findings observed. To address this issue, several groups have developed and reported scoring systems to help discriminate MDS from non-MDS using flow cytometry. Our objective in this article is to review the published scoring systems, as well as emerging role of machine learning in MDS diagnosis. METHODS: Herein, we review many of the recurrent flow cytometric findings and associated reported scoring systems. We also review recent applications of machine learning to MDS and discuss its potential for enabling widespread use of the technology to assist in diagnosing MDS. RESULTS: Several of the published scoring systems are modified versions of or additions to the Ogata scoring system, with the ELN iFS score performing well in comparison studies. New and evolving machine learning approaches have the potential to facilitate improved use of flow cytometry for faster and more accurate MDS detection and have helped identify more useful features, such as erythroid cell SSC. CONCLUSIONS: Flow cytometry provides additional information that can help in diagnosis of MDS. Multiple scoring systems now exist that have significant potential to improve the standard approach to diagnosing MDS. Although requiring further development and validation, machine learning methods appear promising as an even more sensitive, specific, and rapid approach to using clinical flow cytometry for identification of MDS than the various prior reported scoring methods. We look forward to furthering improvements in flow cytometry for evaluation of patients with MDS, particularly through the developing use of machine learning approaches and other computational methods.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».