Parempi leukemiadiagnostiikka tekoälyn avulla (BELUGA) (BELUGA)

Lukuisissa viimeaikaisissa tutkimuksissa syvää neuronaalista verkkoa (DNN) on käytetty tutkimaan tekoälyyn (AI) perustuvan DNN:n hyödyllisyyttä diagnostisiin tarkoituksiin. Pohjimmiltaan ne ovat onnistuneesti osoittaneet yhteenvedon nykyaikaisista ihmisten suorittamista diagnoosista.

Tarkemmin sanottuna tekoälyn käyttö hahmontunnistukseen osoitti, että DNN pystyi luokittelemaan monimutkaisia ​​ja yhdistettyjä datapisteitä, pääasiassa kuvia, erittäin tarkasti tietyn patogeenisen tilan tai sairauden perusteella. Suurin osa näistä tutkimuksista perustuu ensisijaisesti laajoihin koulutusnäytekokoelmiin, jotka luokiteltiin etukäteen. Myöhemmin tämä "koulutus" tarjosi tarvittavan panoksen äskettäin toimitettujen näytteiden luokittelemiseksi oikeisiin alaryhmiin, usein jopa riippumattomia ihmistutkijoita paremmin. Toistaiseksi nämä tutkimukset ovat siis tarjonneet perusteita DNN:n käytölle tosimaailman diagnostiikassa. Edellytys DNN:n käytölle todellisessa ympäristössä, jossa näytteiden oton ja analyysin olisi suoritettava ihmisdiagnoosin prospektiivisesti tehokkaammin, olisi kuitenkin sokkoutettu ja prospektiivinen tutkimus. Tällä hetkellä potentiaalisista tiedoista on pulaa, joten se haastaa edelleen käsityksen, että DNN voi ylittää huippuluokan ihmispohjaiset diagnoosialgoritmit. Tässä haluamme tutkia tekoälypohjaisten diagnostisten ominaisuuksien pätevyyttä ja hyödyllisyyttä tulevaisuuteen todellisessa ympäristössä.

Hematologinen diagnostiikka perustuu voimakkaasti useisiin metodisesti erillisiin lähestymistapoihin, joista poikkeavien veren tai luuytimen solujen fenotyypitys sairastuneilta potilailta on kulmakivi kaikille myöhemmille menetelmille, kuten kromosomi- tai molekyyligeneettisille analyyseille. MLL:ssä vaaditaan viittä erilaista diagnostista pilaria, jotta saadaan luotettavasti diagnostisia todisteita tietystä pahanlaatuisesta verihäiriöstä: ensin sytomorfologia ja immunofenotyypitys, jotka ohjaavat tarkempia menetelmiä, kuten sytogenetiikkaa, FISH:ia ja erilaisia ​​molekyyligeneettisiä määrityksiä.

+++ Tavoitteet +++

Verisolujen fenotyypitys perustuu ensisijaisesti kahteen erilliseen haasteeseen; (1) tiettyjen solutyyppien morfologinen ulkonäkö ja runsaus ja (2) tiettyjen linjamerkkiaineiden läsnäolo, joka on havaittu virtaussytometrialla. Nämä kaksi menetelmää ovat kriittisiä jokaisessa myöhemmässä päätöksentekoprosessissa ja siten viime kädessä lopullisessa diagnoosissa. Samanaikaisesti nämä kaksi menetelmää sopivat ihanteellisesti DNN:n automaattiseen analyysiin niiden luontaisen kuvapohjaisen luonteen vuoksi. Tätä on äskettäin havainnollistanut Marrin ja kollegoiden julkaisu (Matek et al., 2019; https://doi.org/10.1038/s42256-019-0101-9)

BELUGAssa haluamme tutkia, voiko veren (perifeerisen veren ja luuytimen aspiraatioiden) automaattinen analyysi ja virtaussytometriapohjaiset analyysit hyötyä diagnostisen laadun ja viime kädessä potilaan hoidon kannalta. Lisäksi BELUGA tarjoaa näyttöä kuvapohjaisten diagnostisten työkalujen yhteistoiminnallisuudesta hematologisen diagnostisen päätöksenteon muiden pilareiden, kuten geneettisen ja molekyyligeneettisen karakterisoinnin, yhteydessä.

BELUGA koostuu siis kolmesta osasta (A-C) (katso oheisen tiedoston kuva). A:ssa haluamme kouluttaa DNN:n ennennäkemättömällä kokoelmalla verinäytteet ja virtaussytometriaan perustuvat datapisteet, jotka on kerätty 15 vuoden aikana. Nämä näytteet koostuvat kaikista hematologisista pahanlaatuisista kasvaimista, jotka tällä hetkellä tunnistetaan ja tunnistetaan WHO:n nykyisen hematologisten pahanlaatuisten kasvainten luokituksen mukaan. Näiden kokonaisuuksien vaihtelevasta esiintyvyydestä johtuen koulutuskohteiden kokonaismäärä vaihtelee 1 000:sta 20 000:een 15 vuoden aikana. Pidämme kuitenkin tätä eroa hyödynä tämän tutkimuksen yleistavoitteiden kannalta, koska tämä monipuolinen spektri kertoo meille tarvittavien koulutuskohteiden lukumäärän, joka ylittää viimeisimmän tekniikan sytomorfologian tai virtaussytometrian.

Osassa B vertaamme koulutetun DNN:n yleistä suorituskykyä tulevaisuuteen uusiin, vielä diagnosoimattomiin näytteisiin, jotka saapuvat laboratorioimme (katso lisätietoja pääosiosta). DNN-pohjaisen luokittelun paremmuus kyseenalaistetaan ennalta määritettyjen tulosparametrien tarkkuuden perusteella uusimman diagnostiikan, epäsopivuussuhteen ja diagnostisen todennäköisyyden tuottamiseen tarvittavan ajan perusteella.

Lopuksi C:ssä tutkimme vaikutuksia nopeampaan ja tarkempaan diagnostiseen tehoon hyödyntämällä koulutettua DNN:ää auttamaan myöhempiä diagnostisia menetelmiä, kuten kromosomianalyysiä tai potilasnäytteiden paneelisekvensointia.