Bedre leukæmidiagnostik gennem AI (BELUGA) (BELUGA)

I adskillige nyere undersøgelser er dybe neuronale netværk (DNN) blevet udnyttet til at undersøge anvendeligheden af ​​kunstig intelligens (AI)-baseret DNN til diagnostiske formål. I bund og grund har de med succes vist sig at rekapitulere state-of-the-art diagnoser, der i øjeblikket udføres af mennesker.

Specifikt viste brugen af ​​kunstig intelligens til mønstergenkendelse, at DNN kunne kategorisere komplekse og sammensatte datapunkter, primært billeder, med høj troskab til en specifik patogen tilstand eller sygdom. Størstedelen af ​​disse undersøgelser er primært baseret på omfattende træningsprøvesamlinger, der blev kategoriseret a priori. Efterfølgende gav denne "træning" det nødvendige input til at klassificere nyligt leverede prøver i de korrekte undergrupper, og ofte endda bedre end uafhængige menneskelige efterforskere. Indtil videre har disse undersøgelser således givet begrundelsen for brugen af ​​DNN i den virkelige verden diagnostik. Forudsætningen for at bruge DNN i en virkelig verden, hvor prøveudtagning og analyse ville skulle overgå human diagnose prospektivt, ville være et blindt og prospektivt forsøg. I øjeblikket er der mangel på prospektive data, og derfor udfordrer man stadig forestillingen om, at DNN kan udkonkurrere state-of-the-art human-baserede diagnostiske algoritmer. Her ønsker vi at undersøge gyldigheden og anvendeligheden af ​​AI-baserede diagnostiske muligheder prospektivt i en virkelig verden.

Hæmatologisk diagnostik er stærkt afhængig af flere metodisk adskilte tilgange, hvoraf fænotypebestemmelse af afvigende blod- eller knoglemarvsceller fra berørte patienter repræsenterer en hjørnesten for alle efterfølgende metoder, såsom kromosomale eller molekylærgenetiske analyser. På MLL kræves der fem forskellige diagnostiske søjler for at give diagnostisk bevis for en specifik malign blodsygdom: først cytomorfologi og immunfænotyping, der vejleder mere specifikke metoder såsom cytogenetik, FISH og en mangfoldighed af molekylærgenetiske assays.

+++ Mål +++

Fænotypning af blodceller er primært baseret på to forskellige udfordringer; (1) det morfologiske udseende og forekomsten af ​​specifikke celletyper og (2) tilstedeværelsen af ​​særlige afstamningsmarkører påvist ved flowcytometri. Disse to metoder er kritiske for hver efterfølgende beslutningsproces og dermed i sidste ende den endelige diagnose. Samtidig er disse to metoder ideel til automatiseret analyse af DNN på grund af deres iboende billedbaserede natur. Dette er for nylig blevet illustreret af en publikation af Marr og kolleger (Matek et al., 2019; https://doi.org/10.1038/s42256-019-0101-9)

I BELUGA ønsker vi at undersøge, om den automatiserede analyse af blod (fra perifert blod og knoglemarvsaspirater) udstrygninger og flow-cytometri-baserede analyser kan give en fordel for diagnostisk kvalitet og i sidste ende patientbehandling. Ydermere vil BELUGA levere beviser for den kooperative karakter af billedbaserede diagnostiske værktøjer til andre søjler i hæmatologisk diagnostisk beslutningstagning, såsom genetisk og molekylær genetisk karakterisering.

BELUGA består derfor af tre dele (A-C) (se figuren i den vedhæftede fil). I A ønsker vi at træne en DNN med en hidtil uset samling af blodudstrygninger og flow-cytometri-baserede datapunkter indsamlet i løbet af 15 år. Disse prøver består af alle hæmatologiske maligniteter, der i øjeblikket er identificeret og anerkendt af den nuværende WHO-klassifikation for hæmatologiske maligniteter. På grund af de forskellige forekomster af disse enheder varierer det samlede antal uddannelseselementer fra 1.000 til 20.000 i 15 år. Imidlertid anser vi denne uoverensstemmelse som en fordel for dette forsøgs overordnede mål, fordi dette mangfoldige spektrum vil informere os om antallet af træningselementer, der er nødvendige for at udkonkurrere den avancerede diagnostik inden for cytomorfologi eller flowcytometri.

I del B vil vi sammenligne den overordnede ydeevne af vores trænede DNN prospektivt med nye endnu udiagnosticerede prøver, der ankommer til vores laboratorium (se hovedafsnittet for detaljer). Overlegenheden af ​​DNN-baseret kategorisering vil blive udfordret baseret på de foruddefinerede udfaldsparametres nøjagtighed med hensyn til state-of-the-art diagnostik, mismatch-rate og tid, der er nødvendig for at give en diagnostisk sandsynlighed.

Til sidst vil vi i C undersøge virkningerne på hurtigere og mere præcis diagnostisk kraft ved at udnytte vores trænede DNN til at hjælpe downstream diagnostiske metoder såsom kromosomanalyse eller panelsekventering af patientprøver.