GateNet: A novel Neural Network Architecture for Automated Flow Cytometry Gating

要約

フローサイトメトリーは、末梢血 (PB) や脳脊髄液 (CSF) などの患者由来の体液中の細胞集団を特定するために広く使用されています。
研究や臨床現場では広く普及していますが、フローサイトメトリーにはゲーティング、つまり細胞型の識別が必要であり、これには多大な労力と間違いが発生しやすい手動調整が必要です。
このプロセスを促進するために、バッチ効果を修正する必要なく、完全なエンドツーエンドの自動ゲートを可能にする初のニューラル ネットワーク アーキテクチャである GateNet を設計しました。
私たちは、4 人の専門家によって個別に手動でラベル付けされた N=127 の PB および CSF サンプルに基づいて、8,000,000 を超えるイベントを使用して GateNet をトレーニングします。
新しい未確認のサンプルに対して、GateNet が人間レベルのパフォーマンス (F1 スコアは 0.910 ～ 0.997 の範囲) を達成することを示します。
さらに、公開されているデータセットに GateNet を適用し、F1 スコア 0.936 で一般化が確認されました。
この実装ではグラフィックス プロセッシング ユニット (GPU) を利用しているため、ゲーティングに必要な時間はイベントごとに 15 マイクロ秒だけです。
重要なのは、GateNet が人間レベルのパフォーマンスに達するのに必要なサンプルはわずか 10 個のみであることも示しており、これによりフローサイトメトリーのすべての領域に広く適用できるようになります。

要約(オリジナル)

Flow cytometry is widely used to identify cell populations in patient-derived fluids such as peripheral blood (PB) or cerebrospinal fluid (CSF). While ubiquitous in research and clinical practice, flow cytometry requires gating, i.e. cell type identification which requires labor-intensive and error-prone manual adjustments. To facilitate this process, we designed GateNet, the first neural network architecture enabling full end-to-end automated gating without the need to correct for batch effects. We train GateNet with over 8,000,000 events based on N=127 PB and CSF samples which were manually labeled independently by four experts. We show that for novel, unseen samples, GateNet achieves human-level performance (F1 score ranging from 0.910 to 0.997). In addition we apply GateNet to a publicly available dataset confirming generalization with an F1 score of 0.936. As our implementation utilizes graphics processing units (GPU), gating only needs 15 microseconds per event. Importantly, we also show that GateNet only requires ~10 samples to reach human-level performance, rendering it widely applicable in all domains of flow cytometry.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google