Clinical Validation of a Real-Time Machine Learning-based System for the Detection of Acute Myeloid Leukemia by Flow Cytometry

要約

フローサイトメトリーの機械学習 (ML) モデルには、エラー率を削減し、再現性を高め、臨床検査の効率を高める可能性があります。
フローサイトメトリーデータの ML モデルは多数提案されていますが、そのようなモデルの臨床展開について説明した研究はほとんどありません。
臨床ラボで ML モデルの潜在的な利点を実現するには、正確なモデルだけでなく、自動推論、エラー検出、分析とモニタリング、構造化データ抽出のためのインフラストラクチャも必要です。
ここでは、急性骨髄性白血病 (AML) を検出するための ML モデルと、臨床実装をサポートするインフラストラクチャについて説明します。
当社のインフラストラクチャは、モデル推論のためのクラウドの回復力とスケーラビリティ、モデルの再現性とリソース管理を提供する Kubernetes ベースのワークフロー システム、およびフルテキスト レポートから構造化された診断を抽出するシステムを活用しています。
また、モデルの精度を継続的に確保するために不可欠な要素である、モデルの監視および視覚化プラットフォームについても説明します。
最後に、ターンアラウンドタイムへの影響についての導入後の分析を示し、本番環境の精度を元の検証統計と比較します。

要約(オリジナル)

Machine-learning (ML) models in flow cytometry have the potential to reduce error rates, increase reproducibility, and boost the efficiency of clinical labs. While numerous ML models for flow cytometry data have been proposed, few studies have described the clinical deployment of such models. Realizing the potential gains of ML models in clinical labs requires not only an accurate model, but infrastructure for automated inference, error detection, analytics and monitoring, and structured data extraction. Here, we describe an ML model for detection of Acute Myeloid Leukemia (AML), along with the infrastructure supporting clinical implementation. Our infrastructure leverages the resilience and scalability of the cloud for model inference, a Kubernetes-based workflow system that provides model reproducibility and resource management, and a system for extracting structured diagnoses from full-text reports. We also describe our model monitoring and visualization platform, an essential element for ensuring continued model accuracy. Finally, we present a post-deployment analysis of impacts on turn-around time and compare production accuracy to the original validation statistics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google