结合t-SNE技术的优化流式细胞术能够实现对费城染色体阳性急性淋巴细胞白血病患者微小残留病的检测，即使残留病灶处于或接近检测限以下

《Journal of Pediatric Hematology/Oncology》：Optimized Flow Cytometry Incorporating t-SNE Enables Minimal Residual Disease Assessment in a Philadelphia Chromosome-positive Acute Lymphoblastic Leukemia at or Near the Lower Detection Limit

t-SNE结合优化抗体面板和数据处理，在Philly染色体阳性急性淋巴细胞白血病中实现高灵敏度MRD检测并降低工作负荷，验证了其在临床中的应用价值。

　　

摘要通俗语言总结

---

无监督机器学习在评估多色流式细胞术方面展现出巨大潜力，尤其是在推进微小残留病（MRD）分析方面。我们在一个具有挑战性的病例——费城染色体阳性的急性淋巴细胞白血病中，实施了基于t分布随机邻域嵌入（t-SNE）的MRD分析方法。该方法使我们能够以无偏的方式识别MRD，其灵敏度与基因分析相当，同时减少了工作量。t-SNE是一种用于检测和验证MRD的宝贵工具，通过整合优化的抗体组、数据预处理和严格的反向门控验证，其有效性得到了显著提升。

通俗语言总结无监督机器学习，特别是t分布随机邻域嵌入（t-SNE），在评估多色流式细胞术用于微小残留病（MRD）分析方面具有潜力。在费城染色体阳性的急性淋巴细胞白血病病例中，t-SNE辅助的MRD分析显示出与基因分析相似的灵敏度，同时减少了工作量。该方法对于MRD的检测和验证非常有效，尤其是与优化的抗体组、数据预处理和反向门控验证结合使用时。t-SNE提供了一种无偏的MRD分析方法，有可能提高临床应用中的效率和准确性。

文本由机器生成，可能存在不准确之处。常见问题解答