血清蛋白电泳(SPE)是诊断单克隆丙种球蛋白病的重要检测手段，仅玛嘉烈医院2022年就处理了11,815例检测。传统SPE解读依赖病理专家肉眼观察电泳图谱中的峰形特征，不仅耗时且存在观察者差异。随着检测量逐年增加，开发自动化解读工具成为提升实验室效率的关键突破口。

香港玛嘉烈医院(Princess Margaret Hospital)与屯门医院(Tuen Mun Hospital)的研究团队创新性地构建了包含三个模块的监督机器学习系统：分馏模型实现蛋白质区带划分，分类模型识别异常条带，定位定量模型精确测算M蛋白含量。研究收集了2014-2022年间65,949例毛细管电泳(CE)数据，采用Python 3.11平台开发的人工神经网络模型，在外部验证中展现出接近专家的性能——分类曲线下面积(AUC)达0.976，定量结果与人工测量相关性系数0.976。尤其值得注意的是，模型能有效识别与β球蛋白重叠的异常条带，解决了临床常见的判读难点。

关键技术包括：1) 使用Sebia Minicap Protein(e) 6试剂盒数字化电泳图谱；2) 构建三阶段神经网络架构；3) 采用Spearman相关性评估定量准确性。研究团队特别强调，模型训练使用的41,014例PMH数据包含22.5%阳性样本，确保了在真实临床场景中的适用性。

【分馏模型】实现自动化区带划分，与人工分馏结果差异仅-0.0884-0.155 g/L，标准差0.315-2.04 g/L，达到实验室可接受标准。
【分类模型】在屯门医院24,238例测试数据中，与病理专家判断一致率达93.8%，显著降低β-γ区带误判率。
【定位定量模型】M蛋白测量值与人工结果高度一致(Spearman's r=0.976)，为疗效监测提供可靠数据支持。

这项发表于《Pathology》的研究标志着临床蛋白质组学进入智能化时代。机器学习不仅将SPE解读时间从小时级缩短至分钟级，更通过标准化分析流程减少了25%的观察者差异。研究者特别指出，该模型已具备直接整合入实验室信息系统的技术条件，但其临床应用仍需完善解释性功能以增强医生信任度。作为首个经多中心验证的SPE人工智能解读系统，该研究为其他复杂实验室检测的自动化提供了可借鉴的技术框架。

转载请注明：可思数据 » 基于监督机器学习的血清蛋白电泳数据解析模型开发与验证

免责声明：本站来源的信息均由网友自主投稿和发布、编辑整理上传，或转载于第三方平台，对此类作品本站仅提供交流平台，不为其版权负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本站联系，我们将及时更正、删除，谢谢。联系邮箱：elon368@sina.com