ترجمه فارسی مقاله اعتبار سنجی بالینی یک سیستم مبتنی بر یادگیری ماشینی در زمان واقعی برای تشخیص لوسمی میلوئید حاد توسط فلوسایتومتری

چکیده

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.

چکیده به فارسی (ترجمه ماشینی)

مدل های یادگیری ماشین (ML) در فلوسیتومتری جریان می توانند میزان خطا را کاهش دهند ، تکرارپذیری را افزایش داده و باعث افزایش کارایی آزمایشگاه های بالینی شوند.در حالی که مدلهای ML بیشماری برای داده های فلوسیتومتری جریان ارائه شده است ، مطالعات کمی از استقرار بالینی چنین مدلهایی توصیف کرده اند.تحقق سودهای بالقوه مدل های ML در آزمایشگاه های بالینی نه تنها به یک مدل دقیق نیاز دارد ، بلکه زیرساخت هایی برای استنباط خودکار ، تشخیص خطا ، تجزیه و تحلیل و نظارت و استخراج داده های ساختاری است.در اینجا ، ما یک مدل ML را برای تشخیص لوسمی میلوئید حاد (AML) ، به همراه زیرساخت های پشتیبانی از اجرای بالینی توصیف می کنیم.زیرساخت های ما از مقاومت و مقیاس پذیری ابر برای استنتاج مدل ، یک سیستم گردش کار مبتنی بر Kubernetes استفاده می کند که قابلیت تکرارپذیری مدل و مدیریت منابع را فراهم می کند و سیستمی برای استخراج تشخیص های ساختاری از گزارش های متن کامل.ما همچنین پلت فرم نظارت و تجسم مدل خود را توصیف می کنیم ، یک عنصر اساسی برای اطمینان از ادامه دقت مدل.سرانجام ، ما یک تجزیه و تحلیل پس از استقرار از تأثیرات در زمان چرخش ارائه می دهیم و دقت تولید را با آمار اعتبار سنجی اصلی مقایسه می کنیم.