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).
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|