Mejores diagnósticos de leucemia a través de IA (BELUGA) (BELUGA)

En numerosos estudios recientes, se han aprovechado las redes neuronales profundas (DNN) para examinar la utilidad de las DNN basadas en inteligencia artificial (IA) con fines de diagnóstico. En esencia, han demostrado con éxito que recapitulan los diagnósticos más avanzados que actualmente realizan los humanos.

Específicamente, el uso de inteligencia artificial para el reconocimiento de patrones mostró que DNN podía categorizar puntos de datos complejos y compuestos, principalmente imágenes, con alta fidelidad a una condición o enfermedad patógena específica. La mayoría de estos estudios se basan principalmente en extensas colecciones de muestras de capacitación que se categorizaron a priori. Posteriormente, esta "formación" proporcionó la información necesaria para clasificar las muestras recién entregadas en los subgrupos correctos, superando con frecuencia incluso a los investigadores humanos independientes. Hasta ahora, estos estudios han proporcionado la justificación para el uso de DNN en diagnósticos del mundo real. Sin embargo, el requisito previo para usar DNN en un entorno del mundo real, donde el muestreo y el análisis de muestras tendrían que superar prospectivamente el diagnóstico en humanos, sería un ensayo ciego y prospectivo. Actualmente, hay una falta de datos prospectivos, por lo que aún se cuestiona la noción de que DNN puede superar los algoritmos de diagnóstico basados ​​en humanos de última generación. Aquí queremos investigar la validez y la utilidad de las capacidades de diagnóstico basadas en IA de forma prospectiva en un entorno del mundo real.

El diagnóstico hematológico se basa en gran medida en múltiples enfoques metódicamente distintos, de los cuales el fenotipado de células sanguíneas o de médula ósea aberrantes de pacientes afectados representa la piedra angular para todos los métodos posteriores, como los análisis genéticos cromosómicos o moleculares. En el MLL, se requieren cinco pilares de diagnóstico diferentes para proporcionar evidencia diagnóstica para un trastorno sanguíneo maligno específico: primero, citomorfología e inmunofenotipado, que guían métodos más específicos como citogenética, FISH y una diversidad de ensayos genéticos moleculares.

+++ Objetivos +++

El fenotipado de las células sanguíneas se basa principalmente en dos desafíos distintos; (1) la apariencia morfológica y la abundancia de tipos de células específicos y (2) la presencia de marcadores de linaje particulares detectados por citometría de flujo. Estos dos métodos son críticos para cada proceso de toma de decisiones posterior y, por lo tanto, en última instancia, el diagnóstico final. Simultáneamente, estos dos métodos son ideales para el análisis automatizado por DNN debido a su naturaleza inherente basada en imágenes. Esto ha sido ilustrado recientemente por una publicación de Marr y colegas (Matek et al., 2019; https://doi.org/10.1038/s42256-019-0101-9)

En BELUGA, queremos investigar si el análisis automatizado de frotis de sangre (a partir de aspirados de sangre periférica y médula ósea) y los análisis basados ​​en citometría de flujo pueden proporcionar un beneficio para la calidad del diagnóstico y, en última instancia, la atención al paciente. Además, BELUGA proporcionará evidencia de la naturaleza cooperativa de las herramientas de diagnóstico basadas en imágenes para otros pilares de la toma de decisiones de diagnóstico hematológico, como la caracterización genética y genética molecular.

BELUGA, por tanto, consta de tres partes (A-C) (Ver Figura en Archivo adjunto). En A, queremos entrenar una DNN con una colección sin precedentes de frotis de sangre y puntos de datos basados ​​en citometría de flujo recopilados durante el transcurso de 15 años. Estas muestras consisten en todas las neoplasias malignas hematológicas actualmente identificadas y reconocidas por la clasificación actual de la OMS para neoplasias malignas hematológicas. Debido a las distintas incidencias de estas entidades, el número total de elementos de formación varía de 1.000 a 20.000 para 15 años. Sin embargo, consideramos que esta discrepancia es un beneficio para los objetivos generales de este ensayo, porque este espectro diverso nos informará sobre la cantidad de elementos de capacitación necesarios para superar los diagnósticos de vanguardia en citomorfología o citometría de flujo.

En la parte B, compararemos prospectivamente el rendimiento general de nuestra DNN entrenada con muestras nuevas aún no diagnosticadas que llegan a nuestro laboratorio (consulte la sección principal para obtener más detalles). La superioridad de la categorización basada en DNN se desafiará en función de la precisión de los parámetros de resultado predefinidos con respecto a los diagnósticos de última generación, la tasa de discrepancias y el tiempo necesario para proporcionar una probabilidad de diagnóstico.

Por último, en C, investigaremos los efectos sobre un poder de diagnóstico más rápido y preciso al aprovechar nuestro DNN capacitado para ayudar a las metodologías de diagnóstico posteriores, como el análisis cromosómico o la secuenciación del panel de muestras de pacientes.