面向血液疾病诊断的深度学习方法跨髓系谱系
机器学习
2025-03-27 v1 定量方法
摘要
我们提出了一种基础建模框架，利用深度学习技术揭示髓系谱系中的潜在遗传特征。该方法在多能干细胞上训练完全连接的自编码器，将20,000多个基因特征降维至256维潜空间，从而捕获对 progenitor细胞及其后分化细胞（如单核细胞和淋巴细胞）的预测信息。我们通过对血液疾病诊断任务训练前馈网络、Transformer和图卷积网络来验证这些嵌入的质量。我们还探索了使用前体疾病状态分类模型进行零样预测，以对下游细胞条件进行分类。我们的模型在多类分类任务中实现了95%以上的准确率，在零样设置下实现了0.7以上的F1分数。未来工作应进一步提高嵌入以提高对淋巴细胞分类的鲁棒性。
引用
@article{arxiv.2503.20049,
title = {Deep Learning Approaches for Blood Disease Diagnosis Across Hematopoietic Lineages},
author = {Gabriel Bo and Justin Gu and Christopher Sun},
journal= {arXiv preprint arXiv:2503.20049},
year = {2025}
}
备注
6 pages, 4 figures