弱监督机器学习结合流式细胞术实现慢性淋巴细胞白血病微小残留病（CLL MRD）的自动检测与定量分析

《Cytometry Part B: Clinical Cytometry》：Automated CLL cell population detection using a weakly supervised approach and CLL MRD flow cytometry data

本文综述了一种基于弱监督学习与多参数流式细胞术（multiparameter flow cytometry）的自动化机器学习方法，旨在高效检测和定量分析慢性淋巴细胞白血病（CLL）的微小残留病（MRD）。该方法仅需样本级别的标注信息（如MRD状态与肿瘤细胞百分比），通过UMAP降维与k均值聚类识别细胞亚群，并利用随机森林（Random Forest）分类器实现高准确率预测，从而显著减少了传统依赖细胞级别标注的人工成本与主观性。

　　

引言

微小残留病（MRD）或可测量残留病（MRD）的检测在多种血液系统恶性肿瘤的管理中具有重要意义，包括急性白血病、浆细胞肿瘤以及慢性淋巴细胞白血病/小淋巴细胞淋巴瘤（CLL/SLL）。流式细胞术（flow cytometry）因能快速分析数千个细胞/秒，成为检测少量残留癌细胞的有效工具。然而，随着流式面板中标记物数量的增加，传统通过双参数散点图进行细胞群“设门”（gating）的分析方法变得繁琐，自动化需求日益凸显。既往大多数自动化MRD检测算法依赖细胞级别的标注（即手动标记每个细胞是否为肿瘤细胞），训练成本高。本研究提出了一种弱监督方法，仅需样本级别的标注（MRD阳性/阴性状态及肿瘤细胞百分比），即可实现CLL MRD的自动检测与定量预测。

方法

本研究方法结合了降维、聚类与机器学习分类。具体步骤包括：

1. 1.
   采样与降维：从训练数据中随机采样100万个细胞，利用Uniform Manifold Approximation and Projection（UMAP）算法将高维数据（14个标记物）投影至二维嵌入空间。
2. 2.
   聚类：对UMAP嵌入使用k均值（k-means）聚类（默认k=1000），将细胞划分为k个簇。
3. 3.
   特征提取：将每个样本的所有细胞投影至同一UMAP空间，根据簇归属计算每个簇的细胞比例，得到一个长度为k的特征向量。
4. 4.
   分类与回归：使用特征向量训练随机森林分类器进行MRD状态（阳性/阴性）的二元预测；同时，利用肿瘤细胞百分比标注训练随机森林回归模型，预测肿瘤细胞比例。
5. 5.
   特征选择：通过随机森林的特征重要性分析，识别对预测关键的细胞簇，可合并低重要性簇以简化特征空间。

本研究使用了一组包含287例CLL患者的数据集（192例MRD阳性，95例MRD阴性），所有样本均采用相同的14色MRD抗体面板进行分析。通过三折交叉验证评估模型性能。

结果

1. 1.
   MRD状态分类：使用k=1000个簇时，随机森林分类器在三折交叉验证中取得了聚合平衡准确率0.9（宏观平均F₁分数0.9）。通过特征重要性分析筛选关键簇（数量降至18-71个）后，性能略有提升，聚合平衡准确率达0.927。
   受试者工作特征曲线（ROC）分析显示，模型能可靠识别肿瘤细胞比例高于5%的MRD阳性病例；所有假阴性病例的肿瘤比例均低于5%。
2. 2.
   肿瘤细胞百分比预测：随机森林回归模型预测的肿瘤细胞百分比与真实值具有高度相关性（所有病例Pearson相关系数0.872，MRD阳性病例为0.860）。
3. 3.
   基于机理的细胞过滤效果：在UMAP构建阶段过滤掉非存活细胞和双联体细胞，或额外过滤低CD19表达的细胞，模型性能均得以维持，表明方法对数据噪声具有一定鲁棒性。
4. 4.
   关键细胞簇的标记物表达：对分类重要的细胞簇（推测为肿瘤细胞）在CD19、CD5、CD20、CD43等标记物上表现出与非重要簇细胞的明显区分。
5. 5.
   计算时间：构建一个包含100万个细胞的UMAP嵌入约需15分钟，将一个样本投影至UMAP空间并分配簇标签约需4.5分钟，随机森林预测时间可忽略不计，显示该方法具备临床应用潜力。

讨论

本研究提出的弱监督方法在CLL MRD检测中取得了与需要细胞级别标注的先进方法相媲美的性能。其核心优势在于大幅降低了模型训练所需的人工标注成本，仅利用临床流式报告中易获取的样本级别信息。UMAP与k均值聚类的结合有效识别了细胞亚群，随机森林则提供了稳健的分类与回归能力。与自组织映射（SOM）等替代降维方法相比，UMAP在本数据上展现了更清晰的簇边界。尽管存在UMAP图中出现多个“岛屿”状细胞群的现象，但分析表明其主要反映细胞类型差异而非批次效应。未来改进方向包括探索更高效的聚类算法（如可处理不同形状簇的方法）以及扩展模型至其他细胞类型或疾病。本研究代码已公开，并计划进行临床部署测试。

结论

总之，这项研究开发并验证了一种用于CLL MRD检测和定量的弱监督机器学习流程。该方法仅需弱标注数据，即可自动识别相关细胞群并对新样本进行准确预测，为临床流式细胞术数据分析的自动化、标准化和高效化提供了有前景的解决方案。