摘要目的:通过整合2种深度学习方法应用于人类免疫缺陷病毒(Human Immunodeficiency Virus,HIV)感染者的流式细胞数据(Flow Cytometry,FCM),探索FCM数据对HIV预后的预测价值.方法:从FlowRepository数据库获取464例HIV感染者的FCM数据和生存数据,选取1例具有代表性的样本,用FlowJo软件对其进行人工设门,识别出T淋巴细胞各亚群,B淋巴细胞和单核细胞,并以此为参考样本训练DeepCyTOF细胞分类器,预测其他所有样本的细胞标签.计算每个样本不同细胞亚群的百分占比以及KI67和CD127在CD4+T细胞、CD8+T细胞亚群的阳性率作为免疫特征,结合生存数据通过LASSO回归筛选关键免疫特征,根据筛选出的特征变量构建DeepSurv预后预测模型,采用合成少数类过采样技术(SMOTE)处理样本不平衡问题,并采用五折交叉验证的一致性指数(C-index)和综合Brier评分(Brier Score)来评价模型的性能,最后用SHAP图展示每个特征对预测模型的贡献.结果:DeepCyTOF细胞分类器共预测出11类细胞,分别为CD4+T细胞和CD8+T细胞各自的初始细胞、中央记忆细胞、过渡记忆细胞、终末分化效应记忆细胞、效应记忆CD8+T细胞、B淋巴细胞和单核细胞,预测结果与人工设门结果基本一致.LASSO回归筛选出4个特征变量,分别为中央记忆CD4+T细胞、初始CD8+T细胞、效应记忆CD8+T细胞、KI67+初始CD4+T细胞.DeepSurv预测模型的五折交叉验证结果显示,训练集和测试集的C-index分别为0.751,0.723,Brier Score分别为0.109,0.113.其中初始CD8+T细胞所占百分比对模型的贡献最大.结论:DeepCyTOF细胞亚群分类和DeepSurv预后预测模型在FCM中均表现良好,二者联合可以有效预测HIV的预后,具有一定的预测价值.