Bessere Leukämiediagnostik durch KI (BELUGA) (BELUGA)

In zahlreichen neueren Studien wurden tiefe neuronale Netze (DNN) genutzt, um die Nützlichkeit von DNN auf Basis künstlicher Intelligenz (KI) für diagnostische Zwecke zu untersuchen. Im Wesentlichen haben sie erfolgreich bewiesen, dass sie modernste Diagnosen rekapitulieren, die derzeit von Menschen durchgeführt werden.

Insbesondere die Verwendung künstlicher Intelligenz zur Mustererkennung zeigte, dass DNN komplexe und zusammengesetzte Datenpunkte, hauptsächlich Bilder, mit hoher Genauigkeit einem bestimmten pathogenen Zustand oder einer bestimmten Krankheit zuordnen kann. Die meisten dieser Studien basieren in erster Linie auf umfangreichen Trainingsprobensammlungen, die a priori kategorisiert wurden. Anschließend lieferte dieses "Training" den notwendigen Input, um neu gelieferte Proben in die richtigen Untergruppen einzuordnen, und übertraf häufig sogar unabhängige menschliche Ermittler. Bisher haben diese Studien somit die Begründung für den Einsatz von DNN in der Real-World-Diagnostik geliefert. Die Voraussetzung für die Verwendung von DNN in einer realen Umgebung, in der Probenentnahme und -analyse die menschliche Diagnose prospektiv übertreffen müssten, wäre jedoch eine verblindete und prospektive Studie. Derzeit fehlt es an prospektiven Daten, was die Vorstellung in Frage stellt, dass DNN modernste humanbasierte Diagnosealgorithmen übertreffen kann. Hier wollen wir die Gültigkeit und Nützlichkeit von KI-basierten Diagnosemöglichkeiten prospektiv in einem realen Umfeld untersuchen.

Die hämatologische Diagnostik stützt sich stark auf mehrere methodisch unterschiedliche Ansätze, von denen die Phänotypisierung aberranter Blut- oder Knochenmarkszellen betroffener Patienten einen Grundstein für alle nachfolgenden Methoden, wie chromosomale oder molekulargenetische Analysen, darstellt. An der MLL werden fünf verschiedene diagnostische Säulen benötigt, um den diagnostischen Nachweis für eine bestimmte bösartige Bluterkrankung getreu zu erbringen: zuerst Zytomorphologie und Immunphänotypisierung, dann leiten spezifischere Methoden wie Zytogenetik, FISH und eine Vielzahl molekulargenetischer Assays.

+++ Ziele +++

Die Phänotypisierung von Blutzellen basiert hauptsächlich auf zwei unterschiedlichen Herausforderungen; (1) das morphologische Erscheinungsbild und die Häufigkeit spezifischer Zelltypen und (2) das Vorhandensein bestimmter Abstammungsmarker, die durch Durchflusszytometrie nachgewiesen wurden. Diese beiden Methoden sind entscheidend für jeden weiteren Entscheidungsprozess und damit letztlich für die endgültige Diagnose. Gleichzeitig sind diese beiden Methoden aufgrund ihrer inhärenten bildbasierten Natur ideal für die automatisierte Analyse durch DNN geeignet. Dies wurde kürzlich durch eine Veröffentlichung von Marr und Kollegen veranschaulicht (Matek et al., 2019; https://doi.org/10.1038/s42256-019-0101-9)

In BELUGA wollen wir untersuchen, ob die automatisierte Analyse von Blutausstrichen (aus peripheren Blut- und Knochenmarksaspiraten) und durchflusszytometriebasierte Analysen einen Nutzen für die diagnostische Qualität und letztlich die Patientenversorgung bieten können. Darüber hinaus wird BELUGA den kooperativen Charakter bildbasierter Diagnosewerkzeuge für andere Säulen der hämatologischen diagnostischen Entscheidungsfindung wie genetische und molekulargenetische Charakterisierung nachweisen.

BELUGA besteht daher aus drei Teilen (A-C) (siehe Abbildung in der beigefügten Datei). In A wollen wir ein DNN mit einer beispiellosen Sammlung von Blutausstrichen und durchflusszytometrischen Datenpunkten trainieren, die im Laufe von 15 Jahren gesammelt wurden. Diese Proben bestehen aus allen hämatologischen Malignomen, die derzeit identifiziert und von der aktuellen WHO-Klassifikation für hämatologische Malignome anerkannt werden. Aufgrund der unterschiedlichen Häufigkeit dieser Entitäten variiert die Gesamtzahl der Schulungselemente von 1.000 bis 20.000 für 15 Jahre. Wir betrachten diese Diskrepanz jedoch als Vorteil für die Gesamtziele dieser Studie, da uns dieses vielfältige Spektrum Aufschluss darüber geben wird, wie viele Trainingselemente erforderlich sind, um die modernste Diagnostik in Zytomorphologie oder Durchflusszytometrie zu übertreffen.

In Teil B werden wir die Gesamtleistung unseres trainierten DNN prospektiv mit neuen, noch nicht diagnostizierten Proben vergleichen, die in unserem Labor ankommen (Details finden Sie im Hauptabschnitt). Die Überlegenheit der DNN-basierten Kategorisierung wird basierend auf der Genauigkeit der vordefinierten Ergebnisparameter in Bezug auf modernste Diagnostik, Mismatch-Rate und Zeit, die benötigt wird, um eine diagnostische Wahrscheinlichkeit bereitzustellen, in Frage gestellt.

Schließlich werden wir in C die Auswirkungen auf eine schnellere und genauere diagnostische Leistung untersuchen, indem wir unser trainiertes DNN nutzen, um nachgelagerte diagnostische Methoden wie Chromosomenanalyse oder Panelsequenzierung von Patientenproben zu unterstützen.