Dimension reduction methods based on FINE algorithm for clustering patients from flow cytometry data - Archive ouverte HAL
Communication Dans Un Congrès Année : 2023

Dimension reduction methods based on FINE algorithm for clustering patients from flow cytometry data

Résumé

Flow cytometry is used in medicine to diagnose complex disorders from the multiparametric measure (up to 20 parameters) performed in few seconds on tens of thousands of cells. Clustering and analysis of those data is however still done “by the hand”, on histograms and 2D scatter plots, which impedes the quality of diagnostic discrimination between “disease” and “non disease” patients. Computational algorithmic approach that would automate and deepens the search of differences or similarities between cell subpopulations could thus increase the quality of diagnosis. The approach considered here is information geometry, whose principle is to lower the dimensionality of multiparametric observations by considering the subspace of the parameters of the statistical model describing the observation, whose points are probability density functions, and which is equipped with a special geometrical structure (manifold). The objective of the reported study is to explore an algorithm belonging to the field of information geometry, Fisher Information Non-parametric Embedding (FINE), by applying it to flow cytometry data in the context of a specific severe disorder, heparin-induced thrombocytopenia.
La cytométrie en flux est une technique utilisée en médecine pour établir le diagnostic de pathologies complexes à partir de données multidimensionnelles rapides (quelques secondes) d’un grand nombre de cellules individuelles (< 104 pour un tube d’échantillons sanguins). La classification (« clustering ») et l’analyse de ces sous-populations, et donc la discrimination diagnostique entre « malades » et « non malades », est cependant encore essentiellement faite « à la main », à partir d’histogrammes ou de l’examen visuel de nuages de points. Une approche de type algorithmique computationnelle qui automatiserait la recherche des différences ou des similitudes entre ces sous-populations améliorerait la qualité du diagnostic. L’approche considérée ici relève de la géométrie de l’information, qui va réduire la dimensionalité de l’espace des observations multiparamétriques au sous-espace des densités de probabilités du modèle statistique qui décrit ces observations, et qui possède une structure géométrique particulière (variété). L’objectif du présent travail est d’explorer l’algorithme de géométrie de l’information Fisher Information Non-parametric Embedding (FINE) en l’appliquant à des données de cytomètrie en flux, dans le contexte d’une pathologie particulière, la thrombopénie induite par l’héparine (TIH).
Presentation-enbis.pdf (378.66 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04406413 , version 1 (19-01-2024)

Identifiants

  • HAL Id : hal-04406413 , version 1

Citer

Walid Laziri, Anne Gégout-Petit, Frédéric Allemand, Sophie Wantz-Mézières. Dimension reduction methods based on FINE algorithm for clustering patients from flow cytometry data. ENBIS 2023 Conference, ENBIS, Sep 2023, Valencia, Spain. ⟨hal-04406413⟩
22 Consultations
6 Téléchargements

Partager

More