Медицинская Техника / Медицинская техника №1, 2026 / с. 10-12

Метод распознавания групп лейкоцитов по результатам проточной цитометрии

В.Г. Никитаев, Т.Н. Заботина, А.Н. Проничев, А.А. Борунова, М.С. Торосян

Аннотация

В работе решается задача распознавания клеточных популяций лейкоцитов при иммунофенотипировании. Традиционный метод анализа выходных данных проточной цитофлюорометрии требует высоких трудозатрат на ручное гейтирование со стороны врачей лабораторной диагностики клинической иммунологии. Предложенный в настоящей статье метод основывается на комплексе алгоритмов из программных библиотек TensorFlow и sklearn.cluster. Исследована эффективность рассматриваемого решения относительно традиционного ручного анализа данных. Проведенный эксперимент продемонстрировал десятикратное увеличение скорости анализа данных проточного цитофлюорометра. Данные для эксперимента были взяты из открытого источника в Интернете.

Вернуться к содержанию

Сведения об авторах

Валентин Григорьевич Никитаев, д-р техн. наук, профессор-консультант, кафедра компьютерных медицинских систем, ФГАОУ ВО «Национальный исследовательский ядерный университет «МИФИ»,

Татьяна Николаевна Заботина, д-р биолог. наук, зав. лабораторией, лаборатория клинической иммунологии и инновационных технологий, ФГБУ «Национальный медицинский исследовательский центр онкологии им. Н.Н. Блохина» Минздрава России,

Александр Николаевич Проничев, канд. техн. наук, доцент-консультант, кафедра компьютерных медицинских систем, ФГАОУ ВО «Национальный исследовательский ядерный университет «МИФИ»,

Анна Анатольевна Борунова, канд. мед. наук, ст. научный сотрудник отделения, лаборатория клинической иммунологии и инновационных технологий, ФГБУ «Национальный медицинский исследовательский центр онкологии им. Н.Н. Блохина» Минздрава России,

Марлен Саакович Торосян, аспирант, кафедра компьютерных медицинских систем, ФГАОУ ВО «Национальный исследовательский ядерный университет «МИФИ», г. Москва,

e-mail: torosyan.marlen@yandex.ru

Список литературы

1. Демина И.А., Михайлова Е.В., Семченкова А.А., Вержбицкая Т.Ю. и др. Иммунофенотипирование в диагностике острых лейкозов неоднозначной линейности. Результаты централизованной диагностики и практические рекомендации // Вопросы гематологии/онкологии и иммунопатологии в педиатрии. 2024. Т. 23. № 1. С. 219-230.

2. Комитет по здравоохранению Администрации Санкт-Петербурга, Санкт-Петербургское региональное отделение Российской ассоциации аллергологов и клинических иммунологов. Стандартизация методов иммунофенотипирования клеток крови и костного мозга человека // Медицинская иммунология. 1999. Т. 1. № 5. С. 21-43.

3. Заботина Т.Н., Черткова А.И., Борунова А.А., Захарова Е.Н., Шоуа Э.К., Артамонова Е.В., Коваленко Е.И., Хорошилов М.В., Кадагидзе З.Г. Взаимосвязь субпопуляций лимфоцитов больных раком молочной железы с результатами лечения // Российский биотерапевтический журнал. 2021. Т. 20. № 3. С. 25-33.

4. Никитаев В.Г., Тупицын Н.Н., Проничев А.Н. и др. Технологии искусственного интеллекта в диагностике острых лимфобластных лейкозов и минимальной остаточной болезни // Медицинская техника. 2020. № 5. С. 42-44.

5. Irvine A., Moustafa M.M., Patel S. et al. Automation of flow cytometry data analysis with elastic image registration // Scientific Reports. 2025. Vol. 15. № 1. P. 16949.

6. Cheung M., Campbell J.J., Whitby L., Thomas R.J., Braybrook J., Petzing J. Current trends in flow cytometry automated data analysis software // Cytometry Part A. 2021. Vol. 99. № 10. PP. 1007-1021.

7. Whitby L., Whitby A., Fletcher M., Barnett D. Current laboratory practices in flow cytometry for the enumeration of CD4(+) T-lymphocyte subsets // Cytometry Part B: Clinical Cytometry. 2015. Vol. 88. № 5. PP. 305-311.

8. Diallo T.O., Bergeron M., Seely P., Yang X., Ding T., Plews M., Sandstrom P., Ball T.B., Meyers A.F.A. Automation for clinical CD4 T-cell enumeration, a desirable tool in the hands of skilled operators // Cytometry Part B: Clinical Cytometry. 2017. Vol. 92. № 6. PP. 445-450.

9. Newton H.S., Dobrovolskaia M.A. Immunophenotyping: Analytical approaches and role in preclinical development of nanomedicines // Advanced Drug Delivery Reviews. 2022. Vol. 185. Art. № 114281.

10. Xu Z., Wang X., Zeng S., Ren X., Yan Y., Gong Z. Applying artificial intelligence for cancer immunotherapy // Acta Pharmaceutica Sinica B. 2021. Vol. 11. № 11. PP. 3393-3405.

11. Costa A.F.O., Menezes D.L., Pinheiro L.H.S. et al. Role of New Immunophenotypic Markers on Prognostic and Overall Survival of Acute Myeloid Leukemia: A Systematic Review and Meta-Analysis // Scientific Reports. 2017. Vol. 7. № 1. Art. № 4138.

12. Никитаев В.Г., Проничев А.Н., Тупицын Н.Н. и др. Исследование текстурных признаков для задач распознавания клеток костного мозга в информационно-измерительных системах онкогематологии // Измерительная техника. 2021. № 10. С. 53-59.

13. Fletcher M., Whitby L., Whitby A., Barnett D. Current international flow cytometric practices for the detection and monitoring of paroxysmal nocturnal haemoglobinuria clones: A UK NEQAS survey // Cytometry Part B: Clinical Cytometry. 2017. Vol. 92. № 4. PP. 266-274.

14. Flow Cytometry datasets consisting of peripheral blood and bone marrow samples for the evaluation of explainable artificial intelligence methods. Mendeley Data / https:// data.mendeley.com/datasets/jk4dt6wprv/1 (дата обращения: 22.11.2025).