自体外周血造血干细胞移植(autologous peripheral blood hematopoietic stem cell transplantation,ASCT)是淋巴瘤、多发性骨髓瘤等多种恶性血液病的重要治疗手段[1-3],尤其是在我国少子女或单子女家庭逐渐普及的情况下,人类白细胞抗原相合同胞做供者的机会越来越少。ASCT一般是通过离心法先将患者自体外周血造血干细胞(peripheral blood stem cell,PBSC)进行提取并冷冻保存,然后对患者进行大剂量化疗和(或)放疗后再回输给患者,使之快速重建免疫系统[4-5]。人类PBSC在外周血中含量较少,约占单个核细胞的0.1%~1.0%,通常需要采用离心法对自体PBSC进行提纯,以获得一定数量的高纯度自体PBSC[6]。但是,行PBSC术时如果无法获取足够的PBSC则会影响后期回输免疫系统的重建效果,并最终造成ASCT失败,严重威胁血液病患者生存,因此PBSC采集成功是ASCT的先决条件[7-8]。受患者个体差异的影响,临床上PBSC采集失败案例时有发生,造成患者需要多次采集才能达到ASCT移植标准,这给患者及家属造成严重的心理压力和沉重的经济负担[9]。如果患者在行自体PBSC采集术之前能够对PBSC采集风险进行预测,则医护人员便能够根据预测风险信息对PBSC采集术进行修正,以此提高自体PBSC采集的成功率[10]。目前对自体PBSC采集风险预测的相关研究鲜有报道,医护人员多依靠自己的工作经验对患者进行评估,以此来制定相应的PBSC采集方案[11-12]。然而,受医护人员的教育水平和从业经验个体差异的影响,往往无法准确预测PBSC结果[9, 13]。因此探索一种具有普适性的自体PBSC采集风险的预测方法迫在眉睫。将人工智能技术应用于PBSC的采集,可能有效提高临床对自体PBSC采集结果的预测精度。本研究从数据驱动的角度出发,使用机器学习与统计学相关理论方法,首次成功利用前馈神经网络(back propagation neural network,BPNN)、最小二乘支持向量机(least square support vector machine,LSSVM)和自动机器学习(automated machine learning,Auto-ML)等人工智能技术,构建了血液病患者PBSC采集结果风险预测模型,分别采用单因素和多因素相关性分析手段对24项原始变量进行筛选,利用筛选后的特征变量数据对所建模型进行训练和验证,并对模型输入的相关特征变量进行讨论分析,以期为临床医护人员的采集工作提供指导,并提高PBSC采集成功率。
资料和方法研究对象 选取2013年02月至2021年05月在海军军医大学第一附属医院血液科行自体PBSC采集术的恶性血液病患者作为研究对象,恶性血液病类型包括:急性淋巴细胞白血病(acute lymphoblastic leukemia,ALL)、多发性骨髓瘤(multiple myeloma,MM)、非霍奇金淋巴瘤(non-Hodgkin lymphoma,NHL)、霍奇金淋巴瘤(Hodgkin’s lymphoma,HL)。纳入标准:(1)年龄≥12周岁。(2)首次进行自体PBSC采集。(3)动员方案相同,采集时间间隔4~6天。排除标准:(1)临床资料不全者;(2)存在交流障碍患者。根据纳入标准初步选择793例患者为研究对象,按照排除标准剔除36例资料不全或存在交流障碍患者,最终纳入757例血液病患者作为研究对象,筛选前后患者基线资料无差异,且在本研究执行过程中已对所有数据进行了脱敏处理。本研究通过我院医学伦理委员会审批(批准号:CHEC2022-076)。
PBSC采集和计数 所有患者均采用重组人粒细胞刺激因子(granulocyte colony stimulating factor,G-CSF),动员剂量5~10 μg·kg‒1·d‒1,连续注射4~6天,每天皮下注射1次,注射时间为上午9∶00—9∶30。在动员第4天开始评估患者白细胞和单个核细胞(包括单核细胞和淋巴细胞)比例,以确定采集的最佳时机。采用德国Fresenius血细胞分离机COM-ETC的单个核细胞采集程序进行采集,采集前用0.9%生理盐水预冲管道,用复方枸橼酸钠溶液抗凝,并予地塞米松10 mg静脉推注。循环总量设为3.5~4倍的全身血容量,流速为50~60 mL/min,全血与抗凝剂流速比为10∶1~12∶1,其余参数为系统默认值。考虑到多数患者在采集开始后会表现出不同程度的低钙,在PBSC采集开始后,给予患者10%葡萄糖酸钙60 mL,经回输管道以10~15 mL/h注射泵泵入。
在循环结束后分别对CD34+和单个核细胞(mono-nuclear cell,MNC)进行计数。每次CD34+检测均设置对照组,取PBSC采集物1 mL并调整细胞数至(0.5~1.0)×106/mL,取50 μL,加入适量各种荧光抗体标记,温室避光孵育15 min,加入裂红液2 mL,4 000×g离心5 min,弃上清,加入PBS缓冲液2 mL,4 000×g离心5 min,每管加入PBS缓冲液约0.3 mL,以200目尼龙膜过滤后上机检测。检测设备采用美国FACSCanto Ⅱ型流式细胞仪和FACSDiva软件,使用CD34-PE、CD45-PerCP、FSC和SSC等4个参数,累积设门,分母为CD45+ WBC,检测至2×105个有核细胞,取实验组和检测组CD34+细胞群含量平均值作为患者最终CD34+细胞数。
同时制作PBSC采集物涂片两张,采用瑞氏吉姆萨染液(珠海贝索生物技术有限公司)染色,在显微镜下对MNC细胞进行分类计数,选择两张图片MNC计数均值作为最终患者MNC细胞计数。
特征选取 根据淋巴瘤诊疗指南[14]、中国多发性骨髓瘤诊治指南(2020年修订)[15]及自体PBSC采集相关研究[16],收集患者临床基本资料,包括性别、年龄、BMI、吸烟、血液、钾、钙、钠、患病类型等9项一般指标和患者行PBSC采集术前的C反应蛋白、白细胞计数、淋巴细胞、单核细胞、红细胞、血小板、血红蛋白等15项血常规指标。
统计学方法 采用SPSS 25.0和R4.1.2进行统计学分析。符合正态分布的计量资料以x±s表示,两组组间差异采用独立样本t检验;如不符合正态分布的计量资料用M(P25,P75)表示,两组组间采用非参数秩和检验。计数资料以频数和百分比表示,组间比较采用
机器学模型构建 根据2018版造血干细胞移植治疗淋巴瘤中国专家共识[17]及本院专家经验,PBSC采集成功标准定为CD34+细胞计数≥2×106/kg且MNC细胞计数≥5×108/kg。将757例患者分为采集成功组和采集失败组,对两组患者的24项指标进行显著性统计学分析及多因素Logistic回归分析。以757例患者经Logistic回归分析有意义的所有指标纳入机器学习模型,采用5折交叉验证法对机器学习模型进行训练和验证。本研究采用Logistic回归,BPNN模型、LSSVM模型和Auto-ML模型分别对PBSC采集结果进行预测。上述模型均采用Python 3.8.8版本、PyCharm 2021.1.3集成开发环境来构建,最后通过敏感度、特异度、准确度和AUC对4种模型进行评价。
结果患者一般资料 757例行自体PBSC采集术患者的一般资料见表 1,其中采集成功组592例,采集失败组165例,两组患者的性别和吸烟史差异有统计学意义。患者的血常规资料见表 2,两组之间C反应蛋白、白细胞计数、红细胞计数、平均红细胞血红蛋白含量、平均红细胞血红蛋白浓度、血红蛋白含量、红细胞比积、血小板计数、血小板分布宽度差异均有统计学意义。
[x±s or n(%)] | |||||||||||||||||||||||||||||
Characteristic | PBSC success group (n=592) | PBSC failure group (n=165) | t/χ2 | P | |||||||||||||||||||||||||
Age (y) | 47.13±12.37 | 46.05±12.18 | 1.003(1) | 0.158 | |||||||||||||||||||||||||
Gender | 17.542(2) | < 0.001 | |||||||||||||||||||||||||||
Male | 310 (52.37) | 56 (33.94) | |||||||||||||||||||||||||||
Female | 282 (47.63) | 109 (66.06) | |||||||||||||||||||||||||||
BMI (kg/m2) | 23.29±3.53 | 23.04±3.78 | 0.762(1) | 0.223 | |||||||||||||||||||||||||
Smoke (y) | 13.36±4.05 | 15.65±6.02 | ‒4.625(1) | < 0.001 | |||||||||||||||||||||||||
SBP (mmHg) | 137.24±13.45 | 136.51±14.82 | 0.571(1) | 0.284 | |||||||||||||||||||||||||
DBP (mmHg) | 86.25±9.59 | 85.37±8.18 | 1.175(1) | 0.120 | |||||||||||||||||||||||||
K (mmol/L) | 3.83±0.35 | 3.78±0.37 | 1.553(1) | 0.060 | |||||||||||||||||||||||||
Ca (mmol/L) | 2.25±0.13 | 2.27±0.14 | ‒1.648(1) | 0.128 | |||||||||||||||||||||||||
Na (mmol/L) | 142.88±4.13 | 142.65±2.33 | 0.725(1) | 0.235 | |||||||||||||||||||||||||
Disease type | 1.476(2) | 0.688 | |||||||||||||||||||||||||||
MM | 302 (51.01) | 84 (50.91) | |||||||||||||||||||||||||||
HL | 48 (8.11) | 18 (10.91) | |||||||||||||||||||||||||||
NHL | 196 (33.11) | 50 (30.30) | |||||||||||||||||||||||||||
ALL | 46 (7.77) | 13 (7.88) | |||||||||||||||||||||||||||
BMI:Body mass index;SBP:Systolic blood pressure;DBP:Diastolic blood pressure;ALL:Acute lymphoblastic leukemia;MM:Multiple myeloma;NHL:Non-Hodgkin lymphoma;HL:Hodgkin’s lymphoma. (1)t test;(2)χ2 test. |
[x±s] | |||||||||||||||||||||||||||||
Characteristic | PBSC success group (n=592) | PBSC failure group (n=165) | t | P | |||||||||||||||||||||||||
CRP (mg/L) | 3.75±1.20 | 3.11±1.33 | 5.580 | < 0.001 | |||||||||||||||||||||||||
Leukocyte (×109/L) | 16.27±10.69 | 12.08±7.14 | 5.914 | < 0.001 | |||||||||||||||||||||||||
Lymphocyte (%) | 12.39±7.66 | 12.31±9.52 | 0.099 | 0.461 | |||||||||||||||||||||||||
Monocyte (%) | 19.30±14.18 | 19.25±8.64 | 0.056 | 0.448 | |||||||||||||||||||||||||
Neutrophil (×109/L) | 4.37±1.88 | 4.34±1.89 | 0.181 | 0.428 | |||||||||||||||||||||||||
Eosinophil (×109/L) | 0.13±0.14 | 0.14±0.13 | ‒0.859 | 0.196 | |||||||||||||||||||||||||
Basophil (×109/L) | 0.03±0.01 | 0.03±0.02 | 1.242 | 0.108 | |||||||||||||||||||||||||
Erythrocyte (×1012/L) | 4.47±0.48 | 3.48±0.61 | 19.192 | < 0.001 | |||||||||||||||||||||||||
MCH (pg) | 31.76±2.53 | 31.32±1.8 | 2.522 | 0.006 | |||||||||||||||||||||||||
MCHC (g/L) | 336.42±12.21 | 333.05±11.24 | 3.340 | < 0.001 | |||||||||||||||||||||||||
Hemoglobin (g/L) | 111.32±15.64 | 100.11±16.82 | 7.685 | < 0.001 | |||||||||||||||||||||||||
Hematocrit (%) | 0.49±0.03 | 0.43±0.06 | 12.420 | < 0.001 | |||||||||||||||||||||||||
Platelet (×109/L) | 187.38±31.25 | 180.56±41.12 | 1.977 | 0.024 | |||||||||||||||||||||||||
PDW (%) | 13.41±1.46 | 12.57±2.01 | 5.012 | < 0.001 | |||||||||||||||||||||||||
MPV (fl) | 11.16±0.81 | 11.12±0.73 | 0.607 | 0.272 | |||||||||||||||||||||||||
CRP:C-reactive protein;MCH:Mean corpuscular hemoglobin;MCHC:Mean corpuscular hemoglobin concentration;PDW:Platelet distribution width;MPV:Mean platelet volume. |
Logistic回归分析 根据上述统计学分析结果,将11项单因素分析中P < 0.05的因素进行逐步向前多因素Logistic回归分析(表 3),以自体PBSC是否采集成功为因变量(是=1,否=0)。结果显示:患者性别、吸烟史、C反应蛋白、白细胞计数、红细胞计数、平均红细胞血红蛋白含量、平均红细胞血红蛋白浓度、血红蛋白含量、红细胞比积、血小板计数、血小板分布宽度与PBSC采集存在相关性。
Characteristic | β | SE | Ward χ2 | OR (95%CI) | P |
Gender (%) | 0.139 | 0.423 | 0.121 | 1.051 (0.259-6.101) | 0.011 |
Smoke (y) | -0.213 | 0.342 | 0.258 | 0.244 (0.142-0.716) | < 0.001 |
CRP (mg/L) | 0.352 | 0.615 | 0.314 | 2.125 (0.516-4.065) | < 0.001 |
Leukocyte (109/L) | 1.201 | 1.182 | 0.870 | 1.717 (1.310-3.204) | 0.001 |
Erythrocyte (×1012/L) | 2.245 | 0.706 | 8.561 | 8.207 (5.076-11.758) | < 0.001 |
MCH (pg) | 0.211 | 0.659 | 0.107 | 1.016 (0.424-2.014) | < 0.001 |
MCHC (g/L) | 0.172 | 0.318 | 0.304 | 2.816 (0.921-9.873) | 0.031 |
Hemoglobin (g/L) | 1.306 | 0.457 | 6.599 | 3.611 (0.563-8.684) | < 0.001 |
Hematocrit (%) | 0.845 | 0.211 | 15.163 | 1.547 (0.127-30.157) | < 0.001 |
Platelet (109/L) | 1.951 | 0.428 | 19.281 | 3.082 (0.055-10.810) | < 0.001 |
PDW (%) | 0.366 | 1.402 | 0.0507 | 1.371 (0.643-4.170) | < 0.001 |
CRP:C-reactive protein;MCH:Mean corpuscular hemoglobin;MCHC:Mean corpuscular hemoglobin concentration;PDW:Platelet distribution width. |
机器学习模型 将表 1和2中采集成功组和采集失败组比较有统计学差异的11项指标纳入4种机器学习模型,并通过5折交叉验证法对训练集进行训练。表 4为Logistic、BPNN、LSSVM、Auto-ML模型的4种性能评价指标,可以看出BPNN、LSSVM、Auto-ML模型的灵敏度、特异度、准确度和AUC均高于Logistic模型,可以认为机器学习算法对自体PBSC采集结果有着较好的预测能力,且3种机器学习模型中Auto-ML最优。此外,通过对BPNN、LSSVM、Auto-ML模型11项输入参数的重要性进行分析,发现11项指标在3种机器学习模型中的重要性存在较大差异,主要反映在BPNN、LSSVM模型输入参数的重要性分布相对均匀,而Auto-ML模型输入参数的相对重要性主要集中在红细胞和血小板,经过计算发现红细胞和血小板的相对重要性在Auto-ML模型中占比超过72.48%(图 1)。
Evaluation index | Logistic | BPNN | LSSVM | Auto-ML |
Train data set | ||||
Sensitivity (95%CI) | 0.807 (0.553-0.926) | 0.924 (0.753-0.981) | 0.894 (0.717-0.958) | 0.974 (0.780-0.993) |
Specificity | 0.794 | 0.915 | 0.879 | 0.977 |
ACC | 0.812 | 0.916 | 0.885 | 0.973 |
AUC (95% CI) | 0.816 (0.764-0.881) | 0.911 (0.824-0.931) | 0.907 (0.765-0.953) | 0.988 (0.828-0.997) |
Test data set | ||||
Sensitivity (95%CI) | 0.716 (0.651-0.892) | 0.893 (0.743-0.906) | 0.915 (0.792-0.953) | 0.967 (0.871-0.994) |
Specificity | 0.722 | 0.874 | 0.815 | 0.964 |
ACC | 0.822 | 0.873 | 0.875 | 0.973 |
AUC (95%CI) | 0.757 (0.704-0.893) | 0.891 (0.812-0.941) | 0.908 (0.825-0.949) | 0.965 (0.832-0.978) |
ACC:Accuracy;AUC:Area under the receiver operating characteristic curve. |
![]() |
A: BPNN model indicators; B: LSSVM model indicators; C: Auto-ML model indicators. 图 1 3种机器学习模型指标的相对重要性排序 Fig 1 Ranking of the relative importance of three machine learning model indicators |
临床应用 为了进一步验证Auto-ML模型,以2021年7月至2022年3月在我院血液科行PBSC采集术的恶性血液病患者107例为研究对象,其中PBSC采集成功86例,PBSC采集失败21例;男性67例,女性40例;MM、HL、NHL和ALL患者分别为53、14、30、10例,与模型训练数据无明显差异。收集107例患者的以上11项指标作为模型输入参数,输入2.3节所建立的Auto-ML模型,根据模型输出结果判断每个患者PBSC采集是否成功。将Auto-ML模型判断结果与血液科医师临床诊断结果进行比较,并进一步计算Auto-ML模型的各项评价指标,灵敏度、特异度、准确度、AUC分别为0.984(95%CI:0.765~0.993)、1.000、0.977、0.981(95%CI:0.832~0.987),说明Auto-ML模型对PBSC采集结果具有较好的区分度,适合开展临床应用。
讨论本研究回顾性分析了在我院血液科行自体PBSC采集术的恶性血液病患者的临床数据。通过多因素Logistic回归分析筛选出影响自体PBSC采集结果的11项危险因素,包括性别、吸烟史、C反应蛋白、白细胞计数、红细胞计数、平均红细胞血红蛋白含量、平均红细胞血红蛋白浓度、血红蛋白含量、红细胞比积、血小板计数和血小板分布宽度。其中患者C反应蛋白、红细胞计数、血小板计数和血小板分布宽度与既往研究存在差异。有研究表明,自体PBSC采集结果与患者早期化疗时间、化疗程度有关,化疗导致各种血细胞出现不同程度降低[5, 18]。但在细胞刺激因子作用下,PBSC会分化为各种血细胞。PBSC除了具备分化功能,还具备自我增殖能力,且分化和增殖比例通常保持在0.5左右,即化疗后血细胞越多,PBSC越多,而红细胞、血小板在外周血中占比较多,在一定程度上能够反映患者外周血中的PBSC数量。男性患者PBSC采集成功率为84.70%,高于女性患者的72.12%,这与陈晓等[9]和Mauvais-Jarvis[19]的研究结果相一致,主要是因为多数血液病患者需要进行不同程度的化疗,造成其免疫能力较低。而女性因雌性激素分泌及月经等因素而易发生感染,体内免疫系统被唤醒,且在干细胞刺激因子的作用下,CD34+和MNC细胞分化为免疫系统功能细胞,因此造成女性体内PBSC少于男性,最终导致女性PBSC采集失败率高于男性。
在模型预测方面,由于Logistic、BPNN、SVM、LSSVM、XGBoost、Auto-ML等机器学习算法区分度高且适应各种非线性问题,因此被广泛用于临床疾病风险预测与诊断,并取得较好的效果。龚军等[20]和黄浩东等[21]采用患者一般临床资料、血常规指标、生化指标作等数据,对BPNN、SVM、XGBoost等机器学习算法进行训练,实现了对原发性高血压并发冠心病的患病风险预测,模型精度分别为0.926和0.682。此外,欧笛等[22]采用SVM、随机森林(Random Forest,RF)、深度学习等算法对乳腺结节良恶性判断进行研究。何文君等[23]采用RF、Boost、SVM、人工神经网络ANN等机器学习算法构建了AML 1年预后模型,取得了较好的预测效果。然而,在ASCT领域相关研究极度缺乏,尤其是自体PBSC采集结果预测,导致临床医护人员缺少参考。本研究为国内首次采用机器学习模型实现对自体PBSC采集结果的预测,并采用5折交叉验证法,分别对Logistic、BPNN、LSSVM、Auto-ML等4种机器学习算法进行训练和验证。Auto-ML模型训练集AUC为0.988(95%CI:0.828~0.997),验证集为0.965(95%CI:0.832~0.978),其性能优于其他3种模型,主要是因为Auto-ML具有超强的学习和泛化能力,不需要对模型结构进行调整及其他人工干预,因此在使用过程中能够减少由人工参数调节所带来的模型误差。
虽然Auto-ML模型对自体PBSC采集结果有较好的区分能力,但本研究仍然存在一定的局限性:(1)在指标选取时未纳入患者生化指标的影响。(2)数据来源比较单一,可能存在选择偏倚。(3)虽然采用了部分临床患者数据进行了验证,但是与模型训练集数据相比,数据量仍然偏少,在后续研究中需要收集更多的临床数据对该模型进行验证。
综上,本研究基于我院血液内科就诊的恶性血液病患者的自体PBSC采集数据,筛选出11项PBSC采集结果危险因素,构建了多种机器学习模型,结果显示基于Auto-ML模型对PBSC采集结果具有良好的预测能力。本研究所建立的Auto-ML模型可以应用于临床PBSC采集结果预测和决策支持系统,从而提高自体PBSC采集的成功率,改善患者生存,减轻患者负担。
作者贡献声明 李若冰 数据统计和分析,论文构思和撰写。唐古生 资助获取,研究设计,论文修订。罗艳蓉 实验操作,制图制表。黄佳莹,张倩倩 实验操作,数据采集和整理。鲁桂华 研究选题和设计,论文指导。
利益冲突声明 所有作者均声明不存在利益冲突。
[1] |
ANGUITA-COMPAGNON AT, DIBARRART MT, PALMA J, et al. Mobilization and collection of peripheral blood stem cells: guidelines for blood volume to process, based on CD34-positive blood cell count in adults and children[J]. Transplant Proc, 2010, 42(1): 339-344.
[DOI]
|
[2] |
白敏, 王列样, 李振华, 等. 外周血CD34+细胞计数对外周血干细胞采集时机选择及结果的影响[J]. 肿瘤研究与临床, 2021, 33(9): 681-684. [DOI]
|
[3] |
ISHII A, JO T, ARAI Y, et al. Development of a quantitative prediction model for peripheral blood stem cell collection yield in the plerixafor era[J]. Cytotherapy, 2021, 24(1): 49-58.
|
[4] |
刘忠文, 郭建民, 杨靖, 等. CD34+CD38-细胞对异基因造血干细胞移植的影响研究[J]. 中国实用内科杂志, 2011, 31(10): 785-768. [CNKI]
|
[5] |
YOSHIZATO T, WATANABE-OKOCHI N, NANNYA Y, et al. Prediction model for CD34 positive cell yield in peripheral blood stem cell collection on the fourth day after G-CSF administration in healthy donors[J]. Int J Hematol, 2013, 98(1): 56-65.
[DOI]
|
[6] |
程涛. 基础血液学[M]. 北京: 科学出版社, 2019: 79-83.
|
[7] |
FUERST D, HAUBER D, REINHARDT P, et al. Gender, cholinesterase, platelet count and red cell count are main predictors of peripheral blood stem cell mobilization in healthy donors[J]. Vox Sanguinis, 2019, 114(3): 275-282.
[DOI]
|
[8] |
张红, 周芳, 宋媛, 等. 自体造血干细胞移植患者外周血造血干细胞采集影响因素[J]. 白血病·淋巴瘤, 2019, 28(1): 50-51. |
[9] |
陈晓, 郭智, 陈丽娜, 等. 自体外周血造血干细胞动员采集的影响因素[J]. 中国组织工程研究, 2021, 25(19): 2958-2962. [CNKI]
|
[10] |
LETESTU R, MARZAC C, AUDAT F, et al. Use of hematopoietic progenitor cell count on the Sysmex XE-2100 for peripheral blood stem cell harvest monitoring[J]. Leuk Lymphoma, 2007, 48(1): 89-96.
[DOI]
|
[11] |
NORONHA JFA, LORAND-METZE IGH, GROTTO HZW. Hematopoietic progenitor cells (HPC) and immature reticulocytes evaluations in mobilization process: new parameters measured by conventional blood cell counter[J]. J Clin Lab Anal, 2006, 20(4): 149-153.
[DOI]
|
[12] |
TEIPEL R, SCHETELIG J, KRAMER M, et al. Prediction of hematopoietic stem cell yield after mobilization with granulocyte-colony-stimulating factor in healthy unrelated donors[J]. Transfusion, 2015, 55(12): 2855-2863.
[DOI]
|
[13] |
闫岩, 李斯丹, 周翾. 自体外周血造血干细胞采集时机选择及采集效果预测方法[J]. 中国小儿血液与肿瘤杂志, 2016, 21(2): 104-107. [CNKI]
|
[14] |
中国抗癌协会淋巴瘤专业委员会, 中国医师协会肿瘤医师分会, 中国医疗保健国际交流促进会肿瘤内科分会. 中国淋巴瘤多学科诊疗模式实施指南[J]. 中华肿瘤杂志, 2021, 43(2): 163-166. |
[15] |
中国医师协会血液科医师分会, 中华医学会血液学分会, 中国医师协会多发性骨髓瘤专业委员会. 中国多发性骨髓瘤诊治指南(2020年修订)[J]. 中华内科杂志, 2020, 59(5): 341-346. [CNKI]
|
[16] |
闰国伟. 外周血造血干细胞动员和采集的研究[D]. 广州: 南方医科大学, 2014.
|
[17] |
邹德慧, 范磊. 造血干细胞移植治疗淋巴瘤中国专家共识(2018版)[J]. 中华肿瘤杂志, 2018, 40(12): 927-934. |
[18] |
PALMISANO BT, ZHU L, ECKEL RH, et al. Sex differences in lipid and lipoprotein metabolism[J]. Mol Metab, 2018(15): 45-55.
|
[19] |
MAUVAIS-JARVIS F. Gender differences in glucose homeostasis and diabetes[J]. Physiol Behav, 2018, 187: 20-23.
|
[20] |
龚军, 杜超, 钟小钢, 等. 基于机器学习算法的原发性高血压并发冠心病的患病风险研究[J]. 解放军医学杂志, 2020, 45(7): 735-741. [CNKI]
|
[21] |
黄浩东, 刘小株, 龚军, 等. 基于机器学习算法建立2型糖尿病患者冠心病辅助诊断模型[J]. 复旦学报(医学版), 2022, 49(2): 226-256. [URI]
|
[22] |
欧笛, 姚劲草, 李伟, 等. 基于ABUS和机器学习模型对乳腺结节良恶性判断的对比研究[J]. 肿瘤学杂志, 2021, 27(12): 1001-1005. [CNKI]
|
[23] |
何文君, 石张镇, 胡南均, 等. 构建基于20基因的急性髓系白血病预后生存模型[J]. 中国实验诊断学, 2021, 25(3): 417-420. [CNKI]
|