Lepší diagnostika leukémie prostřednictvím AI (BELUGA) (BELUGA)

V mnoha nedávných studiích byly hluboké neuronové sítě (DNN) využity ke zkoumání užitečnosti DNN založené na umělé inteligenci (AI) pro diagnostické účely. V podstatě úspěšně prokázaly, že rekapitulují nejmodernější diagnózy, které v současnosti lidé provádějí.

Konkrétně použití umělé inteligence pro rozpoznávání vzorů ukázalo, že DNN může kategorizovat složité a složené datové body, zejména obrázky, s vysokou věrností pro konkrétní patogenní stav nebo chorobu. Většina těchto studií je primárně založena na rozsáhlých sbírkách školicích vzorků, které byly kategorizovány a priori. Následně toto „školení“ poskytlo nezbytný vstup pro klasifikaci nově dodaných vzorků do správných podskupin, které často dokonce předčily nezávislé lidské vyšetřovatele. Tyto studie tak zatím poskytly zdůvodnění pro použití DNN v diagnostice v reálném světě. Předpokladem pro použití DNN v reálném prostředí, kde by odběr vzorků a analýza musely prospektivně překonat lidskou diagnózu, by však byla zaslepená a prospektivní studie. V současné době je nedostatek prospektivních dat, a proto stále zpochybňuje představu, že DNN může překonat nejmodernější diagnostické algoritmy založené na lidech. Zde chceme prozkoumat platnost a užitečnost diagnostických schopností založených na umělé inteligenci prospektivně v prostředí reálného světa.

Hematologická diagnostika se silně opírá o více metodicky odlišných přístupů, z nichž fenotypizace aberantních buněk krve nebo kostní dřeně od postižených pacientů představuje základní kámen pro všechny následné metody, jako jsou chromozomální nebo molekulárně genetické analýzy. Na MLL je vyžadováno pět různých diagnostických pilířů, které věrně poskytují diagnostický důkaz pro konkrétní maligní krevní poruchu: nejprve cytomorfologie a imunofenotypizace, které vedou specifičtější metody, jako je cytogenetika, FISH a rozmanitost molekulárně genetických testů.

+++ Cíle +++

Fenotypizace krvinek je primárně založena na dvou odlišných výzvách; (1) morfologický vzhled a množství specifických typů buněk a (2) přítomnost konkrétních markerů linie detekovaných průtokovou cytometrií. Tyto dvě metody jsou kritické pro každý následný rozhodovací proces a tím i konečnou diagnózu. Současně jsou tyto dvě metody ideálně vhodné pro automatizovanou analýzu DNN díky jejich přirozené povaze založené na obrazu. Nedávno to ilustrovala publikace Marra a kolegů (Matek et al., 2019; https://doi.org/10.1038/s42256-019-0101-9)

Ve společnosti BELUGA chceme prozkoumat, zda automatizovaná analýza krevních stěrů (z periferní krve a aspirátů kostní dřeně) a analýzy založené na průtokové cytometrii mohou být přínosem pro kvalitu diagnostiky a v konečném důsledku i pro péči o pacienta. BELUGA navíc poskytne důkazy o kooperativní povaze diagnostických nástrojů založených na obrazech pro další pilíře hematologického diagnostického rozhodování, jako je genetická a molekulárně genetická charakterizace.

BELUGA se tedy skládá ze tří částí (A-C) (viz obrázek v přiloženém souboru). V A chceme trénovat DNN s bezprecedentním odběrem krevních nátěrů a datových bodů založených na průtokové cytometrii shromážděných v průběhu 15 let. Tyto vzorky se skládají ze všech hematologických malignit, které jsou v současné době identifikovány a rozpoznány současnou klasifikací WHO pro hematologické malignity. Vzhledem k různému výskytu těchto subjektů se celkový počet tréninkových položek pohybuje od 1 000 do 20 000 po dobu 15 let. Tento rozpor však považujeme za přínos pro celkové cíle této studie, protože toto rozmanité spektrum nás informuje o počtu tréninkových položek potřebných k překonání nejmodernější diagnostiky v cytomorfologii nebo průtokové cytometrii.

V části B porovnáme celkový výkon našeho vyškoleného DNN prospektivně s novými dosud nediagnostikovanými vzorky, které dorazí do naší laboratoře (podrobnosti viz hlavní část). Nadřazenost kategorizace na základě DNN bude zpochybněna na základě přesnosti předem definovaných výstupních parametrů s ohledem na nejmodernější diagnostiku, míru neshody a čas potřebný k poskytnutí diagnostické pravděpodobnosti.

A konečně, v C prozkoumáme účinky na rychlejší a přesnější diagnostický výkon využitím naší vyškolené DNN k podpoře následných diagnostických metodologií, jako je chromozomální analýza nebo panelové sekvenování vzorků pacientů.