基于多头自注意力机制的流式细胞术数据无监督聚类表征学习新方法(MuSARCyto)

【编辑推荐】针对流式细胞术(FCM)数据人工聚类(gating)效率低、主观性强的问题，研究人员开发了基于全连接表征网络的多头自注意力(MuSARCyto)深度学习架构，通过创新性构建集群评估指标裁决分数(Adjudicator Score)，在6个公开质谱/流式细胞数据集上验证了其优越性能，为免疫学关键应用提供可部署的自动化聚类解决方案。

　　

细胞分析技术(Cytometry)能够同步检测单个细胞特征，为人类疾病诊断、预后和监测提供关键洞见。然而传统人工细胞聚类(gating)过程不仅费时费力，还存在较强主观性，严重制约了该技术在科研和临床中的广泛应用。尽管已有自动化聚类方案面世，但由于性能欠佳，人工聚类仍是临床金标准。

为此，研究者提出革命性的无监督深度学习框架MuSARCyto，通过多头自注意力机制(Multi-Head Self-Attention)构建高效表征学习网络(RN)，利用全连接网络骨干自动发掘细胞集群特征。为客观评估性能，创新性提出集群评估指标裁决分数(Adjudicator Score^?)，该指标整合了多种主流聚类评估体系。在6个公开质谱/流式细胞数据集上的实验表明，MuSARCyto性能显著优于现有最先进方法。

该深度学习架构体积小巧，便于临床部署，特别适用于免疫学关键应用的细胞亚群识别。研究证实，基于深度学习的表征学习方法能有效提升细胞聚类效果，为自动化细胞分析开辟了新途径。