Meilleur diagnostic de la leucémie grâce à l'IA (BELUGA) (BELUGA)

Dans de nombreuses études récentes, les réseaux neuronaux profonds (DNN) ont été exploités pour examiner l'utilité du DNN basé sur l'intelligence artificielle (IA) à des fins de diagnostic. Essentiellement, ils ont prouvé avec succès qu'ils récapitulaient les diagnostics de pointe actuellement effectués par les humains.

Plus précisément, l'utilisation de l'intelligence artificielle pour la reconnaissance des formes a montré que le DNN pouvait catégoriser des points de données complexes et composites, principalement des images, avec une grande fidélité à une condition pathogène ou à une maladie spécifique. La majorité de ces études sont principalement basées sur de vastes collections d'échantillons de formation qui ont été catégorisées a priori. Par la suite, cette "formation" a fourni les informations nécessaires pour classer les spécimens nouvellement livrés dans les sous-groupes appropriés, dépassant même souvent les performances des enquêteurs humains indépendants. Jusqu'à présent, ces études ont ainsi fourni la justification de l'utilisation de DNN dans les diagnostics du monde réel. Cependant, la condition préalable à l'utilisation de DNN dans un environnement réel, où l'échantillonnage et l'analyse d'échantillons devraient surpasser le diagnostic humain de manière prospective, serait un essai en aveugle et prospectif. Actuellement, il y a un manque de données prospectives, ce qui remet toujours en question la notion selon laquelle DNN peut surpasser les algorithmes de diagnostic humains de pointe. Ici, nous voulons étudier la validité et l'utilité des capacités de diagnostic basées sur l'IA de manière prospective dans un contexte réel.

Les diagnostics hématologiques reposent fortement sur de multiples approches méthodiquement distinctes, dont le phénotypage des cellules sanguines ou de la moelle osseuse aberrantes des patients atteints représente la pierre angulaire de toutes les méthodes ultérieures, telles que les analyses génétiques chromosomiques ou moléculaires. Au MLL, cinq piliers de diagnostic différents sont nécessaires pour fournir fidèlement des preuves diagnostiques d'un trouble sanguin malin spécifique : la cytomorphologie et l'immunophénotypage d'abord, guidant des méthodes plus spécifiques telles que la cytogénétique, la FISH et une diversité de tests génétiques moléculaires.

+++ Objectifs +++

Le phénotypage des cellules sanguines repose principalement sur deux défis distincts ; (1) l'apparence morphologique et l'abondance de types cellulaires spécifiques et (2) la présence de marqueurs de lignée particuliers détectés par cytométrie en flux. Ces deux méthodes sont essentielles pour chaque processus de prise de décision ultérieur et donc finalement pour le diagnostic final. Simultanément, ces deux méthodes sont parfaitement adaptées à l'analyse automatisée par DNN en raison de leur nature intrinsèque basée sur l'image. Ceci a été récemment illustré par une publication de Marr et ses collègues (Matek et al., 2019 ; https://doi.org/10.1038/s42256-019-0101-9)

Dans BELUGA, nous voulons étudier si l'analyse automatisée des frottis sanguins (à partir d'aspirations de sang périphérique et de moelle osseuse) et les analyses basées sur la cytométrie en flux peuvent apporter un bénéfice pour la qualité du diagnostic et, en fin de compte, les soins aux patients. De plus, BELUGA fournira des preuves de la nature coopérative des outils de diagnostic basés sur l'image pour d'autres piliers de la prise de décision en matière de diagnostic hématologique, tels que la caractérisation génétique et génétique moléculaire.

BELUGA se compose donc de trois parties (A-C) (voir figure dans le fichier joint). En A, nous voulons former un DNN avec une collection sans précédent de frottis sanguins et de points de données basés sur la cytométrie en flux collectés au cours de 15 ans. Ces échantillons sont constitués de toutes les hémopathies malignes actuellement identifiées et reconnues par la classification actuelle de l'OMS pour les hémopathies malignes. En raison des incidences variables de ces entités, le nombre total d'éléments de formation varie de 1 000 à 20 000 pendant 15 ans. Cependant, nous considérons cet écart comme un avantage pour les objectifs généraux de cet essai, car ce spectre diversifié nous informera sur le nombre d'éléments de formation nécessaires pour surpasser les diagnostics de pointe en cytomorphologie ou en cytométrie en flux.

Dans la partie B, nous comparerons prospectivement les performances globales de notre DNN formé à des échantillons nouveaux mais non diagnostiqués arrivant à notre laboratoire (voir la section principale pour plus de détails). La supériorité de la catégorisation basée sur le DNN sera remise en question en fonction de la précision des paramètres de résultat prédéfinis en ce qui concerne les diagnostics de pointe, le taux de non-concordance et le temps nécessaire pour fournir une probabilité de diagnostic.

Enfin, en C, nous étudierons les effets sur une puissance de diagnostic plus rapide et plus précise en tirant parti de notre DNN formé pour faciliter les méthodologies de diagnostic en aval telles que l'analyse chromosomique ou le séquençage de panel d'échantillons de patients.