1 / 10

Marcin Szeliga Trener & Konsultant marcin@wss.pl

Analiza komórek w cytofluorymetrii przepływowej przy pomocy narzędzi Data Mining serwera SQL 2008 R2. Marcin Szeliga Trener & Konsultant marcin@wss.pl. MarcinSzeliga:Bio.ToPP (). +15 lat doświadczenia z serwerem SQL Trener & k onsultant Autor książek i artykułów

genero
Télécharger la présentation

Marcin Szeliga Trener & Konsultant marcin@wss.pl

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Analiza komórek w cytofluorymetrii przepływowej przy pomocy narzędzi Data Miningserwera SQL 2008 R2 Marcin Szeliga Trener & Konsultant marcin@wss.pl

  2. MarcinSzeliga:Bio.ToPP() • +15 lat doświadczenia z serwerem SQL • Trener & konsultant • Autor książek i artykułów • SQL Microsoft Most Valuable Professional(od 2006) • Microsoft Specialist(od 2000)

  3. Cele • Wykazanie przydatności automatycznej analizy danych z FCM • Segmentacja danych z FCM pod kątem obecności nieprawidłowych subpopulacji komórek • Automatyczna klasyfikacja znalezionych subpopulacji i ich opis statystyczny • Wyszukiwanie komórek nie pasujących do klastrów komórek prawidłowych, z ich oceną ilościową i statystyczną — co ma znaczenie w monitorowaniu leczenia i ocenie tzw. choroby resztkowej • Ocena zmian subpopulacji komórek u tego samego pacjenta w trakcie leczenia

  4. Szczegóły • Dane źródłowe z 9-kanałowego cytofluorymetru o 18-bitowej dokładności: • 17 pacjentów z białaczką (2 266 440 komórek) • 17 pacjentów w reemisji (1 248 712 komórek) • Oprócz pacjentów w remisji oraz z ostrą białaczką limfoblastyczną, dane źródłowe pochodziły również od pacjentów na różnym etapie leczenia — u niektórych z nich procent komórek białaczkowych nie przekraczał 3%

  5. Bramkowanie • Dane treningowe • Eliminacja błędówFSCA < 250000SSCA < 200000 • Około 15% • Około 80% • Klastry CD19- • Pierwsza segmentacja(FSCA, SSCA, CD19) • Klastry CD19+ i CD19++(Leukemia 67% Remission36%) • Właściwa segmentacja(Wszystkie zmienne)

  6. Właściwa segmentacja(Wszystkie zmienne) • Klastry typowych komórek • Klastry komórekaberrantnych • Klastry komórekmieszanych • Wykres • Klasyfikacja • Komórki typowe • Komórki aberrantne

  7. Klasyfikacja • Dane pacjenta • Eliminacja błędówFSCA < 250000SSCA < 200000 • 30% 65% Komórki CD19- Sprawdzenie przynależności do klastrów CD19+ lub CD19++ • 1% Komórki nietypowe Wykrycie nietypowych komórek Sprawdzenie przynależności do głównych klastrów

  8. Klasyfikacja Sprawdzenie przynależności do głównych klastrów • Klastry komórekmieszanych • Klastry typowych komórek • Klastry komórekbiałaczkowych • Klasyfikacja • Komórki białaczkowe • Komórki typowe

  9. Wnioski • Szukanie klastrów tworzonych przez zdrowe komórki pozwoliło osiągnąć wyniki co najmniej tak samo dobre jak dotychczas stosowane metody „ręcznego” bramkowania • Możliwość określenia prawdopodobieństwa przynależności danej komórki do znalezionych wcześniej klastrów • Automatyczna klasyfikacja komórek jako zdrowych lub białaczkowych z ponad 80% dokładnością i prawie 100% wiarygodnością • Możliwość określenie powodu i stopnia nietypowości komórek • Możliwość oceny i identyfikacji zmian subpopulacji komórkowych w trakcie leczenia białaczki

  10. Analiza komórek w cytofluorymetrii przepływowej przy pomocy narzędzi Data Miningserwera SQL 2008 R2 Marcin Szeliga Trener & Konsultant marcin@wss.pl

More Related