摆文丽，农卫霞，李智伟，雷 伟，郭玉娟，张向辉，芮东升，王 奎

    (1.石河子大学医学院预防医学系，新疆 石河子 832000；2.石河子大学医学院第一附属医院血液风湿科，新疆 石河子 832000；3.新疆维吾尔自治区人民医院临床检验中心，新疆 乌鲁木齐 830001)

    流式细胞术(flow cytometry，FCM)是一种能够精确、快速地对生物细胞或微粒的理化特性和生物学特性进行定量分析的技术[1]。随着精准医疗和基因生物学的发展，FCM 已经成为恶性血液病诊断的重要依据[2]。FCM 数据在人工分析中最关键和最耗时的步骤是识别数据中的同质细胞群，这个过程为“设门”[3]。数据传统的分析方法是通过不同参数组合进行人工设门，随着检测参数成倍增加，产生了多组合、高维度的流式数据，而FCM 数据分析成为FCM 中最具挑战性和最耗时的诊断步骤[4-7]。自动设门是基于细胞群荧光强度分布的数学建模，可以使用有监督和无监督的方法来执行，用于解决人工设门所面临的问题。目前常见的自动化分析方法包括FlowMeans[8]、SPADE[9]、Citrus[10]、FlowSOM[11]以及PCA[12]等，其中最常用的是FlowMeans，其是一种无监督聚类方法，通过合并多个聚类以获得最终细胞亚群[13，14]，但只能将FCM 数据中相似的细胞聚成亚群[15，16]，不能实现亚群的标注，因此需要工作人员去一一识别，存在一定局限性。基于此，本研究旨在分析FlowSOM 与有监督分类模型[17](混合正态分布模型)联合应用于FCM 数据自动化分析中的效果，现报道如下。

    1 资料与方法

    1.1 数据来源 数据来源于实验室2021 年1 月-12 月同一面板急性白血病骨髓检测数据，共528例，包括412 例正常人、68 例AML、9 例T-ALL 以及39例B-AL。本研究经当地政府伦理委员会批准。

    1.2 数据分析 FCM 数据细胞亚群的自动分类和自动标注可以分成4 个阶段进行：①预处理：通过读取数据、补偿和转换、去粘连完成FCM 数据预处理；②细胞聚类：使用FlowSOM 方法对预处理的数据进行细胞聚类 ......