FLAG-X: Hybrid machine learning workflows for automated gating of clinical flow cytometry data
De auteurs presenteren FLAG-X, een Python-package die de kloof tussen handmatige en geautomatiseerde flowcytometrie-analyse overbrugt door state-of-the-art machine learning-methoden te integreren met expert-annotaties in hybride workflows, waarmee zij het gebrek aan standaardisatie en efficiëntie in routinematige klinische gating aanpakken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Stel je een druk ziekenhuislaboratorium voor als een gigantische, kolkende dansvloer vol met miljoenen kleine dansers (cellen). Wetenschappers moeten specifieke groepen dansers vinden op basis van de kleurrijke kostuums die ze dragen (antigeenmarkers). Traditioneel moet een menselijke expert op een balkon staan en handmatig met een laserpointer naar de menigte wijzen, om zo één voor één cirkels rond de juiste groepen te trekken. Dit proces is als het handmatig sorteren van een enorme stapel door elkaar gehusselde LEGO-steentjes: het duurt lang, en twee verschillende mensen kunnen dezelfde stapel net iets anders sorteren.
Onlangs zijn er computerprogramma's (machine learning) uitgevonden om deze steentjes automatisch te sorteren. Echter, deze programma's waren als "black boxes"—ze werken goed in theorie, maar zijn moeilijk te integreren in de werkelijke workflow van een druk laboratorium omdat ze niet prettig communiceren met de tools die wetenschappers al gebruiken.
Maak kennis met FLAG-X, een nieuwe digitale gereedschapskist die ontworpen is om deze kloof te overbruggen. Zie FLAG-X als een slimme co-piloot voor de labexperts. In plaats van de mens volledig te vervangen, biedt het twee nieuwe manieren om te werken:
- De Hybride Aanpak: Het laat de menselijke expert de computer lesgeven door het een paar voorbeelden te laten zien (gelabelde data), waarna de computer de rest van het werk afmaakt terwijl het ook leert van de ongesorteerde menigte (ongelabelde data).
- De Best-of-Both-Worlds Interface: De gereedschapskist verzamelt de allerbeste "sorteringsalgoritmen" die beschikbaar zijn en brengt ze onder één dak, zodat wetenschappers niet hoeven te kiezen tussen verschillende verwarrende programma's.
Het belangrijkste kenmerk van FLAG-X is het vermogen om dezelfde taal te spreken als de standaardsoftware die laboratoria al gebruiken. Zodra de computer het sorteren heeft voltooid, kan het de resultaten direct opslaan in exact hetzelfde formaat (FCS-bestanden) dat de menselijke experts gebruiken voor hun handmatige werk. Dit betekent dat het werk van de computer onmiddellijk gecontroleerd, bewerkt of goedgekeurd kan worden door de mens, net als een conceptversie van een document.
De auteurs hebben deze gereedschapskist getest op echte casussen uit de klinische praktijk om aan te tonen dat het soepel werkt in de echte wereld. Het is nu beschikbaar voor iedereen om te downloaden en te gebruiken, met als doel de tijdrovende taak van celsortering sneller en consistenter te maken zonder de expertise van de menselijke expert weg te gooien.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.