Zusammenfassung Die Erkennung minimaler/measurable Restkrankheit wird routinemäßig im Rahmen von Nachbehandlungsplänen nach der Diagnose für viele Krebsarten durchgeführt, bei denen die Mehrparameter-Durchflusszytometrie eine häufig verwendete Methode ist. Wir schlagen einen maschinellen Lernansatz zur binären Vorhersage des Status der minimalen Restkrankheit mit Daten aus der Durchflusszytometrie vor. Unsere Methode umfasst die Projektion von Zellen vom ursprünglichen Merkmalsraum in eine niederdimensionale Einbettung, in der Zellen nach Ähnlichkeit gruppiert werden, und die anteilsmäßigen Zellproportionen innerhalb der Cluster werden für Vorhersagen sowie Regressionen verwendet. Dies ist ein schwach überwachter Ansatz, da die einzige Annotation, die für die Schreibmengen der Trainingsdaten erforderlich ist, der Prozentsatz der neoplastischen Zellen in jedem Fall ist. Wir demonstrieren die Anwendbarkeit unserer Methode in Bezug auf eine Kohorte von Patientendaten mit chronischer lymphatischer Leukämie, um hohe Genauigkeitsniveaus zu erzielen. Wir vergleichen unseren Ansatz mit anderen vorgeschlagenen maschinellen Lernmethoden zur Anwendung auf die Vorhersage minimaler Restkrankheit.
Dinalankara et al. (Dienstag,) haben diese Frage untersucht.