10.3969/j.issn.1673-8640.2019.12.013
机器学习在血细胞分析中智能筛查原始细胞的应用
目的 利用计算机学习统计软件(SPSS 21.0)进行机器学习,建立原始细胞筛检模型.通过在智能筛查原始细胞方面的尝试,为血常规报告智能审核及实验室检验结果智能诊断奠定基础.方法通过实验室信息系统(LIS)和医院信息系统(HIS)检索并统计四川大学华西医院行血细胞分析的门诊及住院患者6173例.纳入64项血细胞指标,由计算机软件统计学习得出标本原始细胞检出P值,评价血细胞分析时原始细胞检出P值对原始细胞的筛查能力.结果 根据受试者工作特征(ROC)曲线选择出建模指标:血红蛋白(Hb)、红细胞比容(HCT)、淋巴细胞绝对值(LYMP#)、有核红细胞百分比(NRBC%)、淋巴细胞修正绝对值(LYMPH#)、淋巴细胞前向散射光强度分布宽度(LY-WZ)、幼稚粒细胞绝对值(IG#)、中性粒细胞前向散射光强度分布宽度(NE-WZ)、WDF通道白细胞计数(WBC-D)、白细胞(WBC)计数、WNR通道白细胞计数(WBC-N)、WDF通道有核细胞数(TNC-D)、有核细胞总数(TNC)、WNR通道有核细胞数(TNC-N)、中性粒细胞侧向散射光强度分布宽度(NE-WX)、单核细胞侧向荧光强度分布宽度(MO-WY)、中性粒细胞侧向荧光强度分布宽度(NE-WY)、单核细胞侧向散射光强度分布宽度(MO-WX)、有核红细胞绝对值(NRBC#)、单核细胞绝对值(MONO#).建立的模型原始细胞检出P值为96.4%.用此模型对989例非住院患者测试标本进行盲法验证,预测敏感性为100.0%,特异性为53.2%.用此模型对493例正接受治疗的确诊血液病住院患者标本进行盲法验证,预测敏感性为68.1%,特异性为52.4%.结论 基于机器学习得出的原始细胞筛查模型对血细胞分析中智能筛查原始细胞具有一定价值,为血细胞检测智能化的实施及进一步研究提供了可借鉴的经验,但其对治疗中的血液病患者的筛检能力还需进一步提高,需建立更加优化的模型算法对原始细胞进行有效筛查.
机器学习、血细胞计数、原始细胞
34
R446.1(诊断学)
2020-01-11(万方平台首次上网日期,不代表论文的发表时间)
共6页
1118-1123