基于最优传输的多患者流式细胞术数据低维表示用于急性髓性白血病的最小残留病检测
机器学习
2025-02-27 v3 机器学习
统计理论
统计方法学
统计理论
摘要
代表和量化急性髓性白血病（AML）中的最小残留病（MRD），这是一种影响血液和骨髓的癌症类型，对AML患者的预后和随访至关重要。传统细胞学分析无法检测5%以下的白血病细胞，流式细胞术数据分析预期能提供更可靠的结果。本文探索基于最优传输（OT）的统计学习方法，以实现多患者流式细胞术测量（FCM）数据集的相关低维表示，这些数据被视为高维概率分布。通过OT框架，我们证明了通过均值量化将所有数据合并为单个点云后，使用K-means算法进行维度缩减是可行的。在此量化步骤之后，通过使用通过线性化OT或组成数据对数比主成分分析（PCA）将低维量化概率测量嵌入到线性空间中，对患者FCM的内部分布和跨患者变异性进行可视化。我们使用公开的FCM数据集和来自波森大学医院的数据集，展示了我们方法相对于流行的核均值嵌入技术的优势，即从多个高维概率分布中进行统计学习。我们还强调了该方法对于低维投影和根据AML中FCM的MRD水平对患者测量进行聚类的有用性。特别是，我们的OT方法允许对FlowSom算法结果进行相关且有信息的二维表示，FlowSom是一种基于多患者FCM检测AML中MRD的前沿方法。
引用
@article{arxiv.2407.17329,
title = {Low dimensional representation of multi-patient flow cytometry datasets using optimal transport for minimal residual disease detection in leukemia},
author = {Erell Gachon and Jérémie Bigot and Elsa Cazelles and Audrey Bidet and Jean-Philippe Vial and Pierre-Yves Dumas and Aguirre Mimoun},
journal= {arXiv preprint arXiv:2407.17329},
year = {2025}
}