Migliore diagnostica della leucemia attraverso l'IA (BELUGA) (BELUGA)

In numerosi studi recenti, le reti neuronali profonde (DNN) sono state sfruttate per esaminare l'utilità della DNN basata sull'intelligenza artificiale (AI) per scopi diagnostici. In sostanza, hanno dimostrato con successo di ricapitolare le diagnosi all'avanguardia attualmente eseguite dagli esseri umani.

In particolare, l'uso dell'intelligenza artificiale per il riconoscimento di modelli ha mostrato che DNN potrebbe classificare punti dati complessi e compositi, principalmente immagini, con alta fedeltà a una specifica condizione patogena o malattia. La maggior parte di questi studi si basa principalmente su vaste raccolte di campioni di formazione che sono state categorizzate a priori. Successivamente, questa "formazione" ha fornito l'input necessario per classificare i campioni appena consegnati nei sottogruppi corretti, spesso superando anche i ricercatori umani indipendenti. Finora, questi studi hanno quindi fornito la logica per l'uso del DNN nella diagnostica del mondo reale. Tuttavia, il prerequisito per l'utilizzo del DNN in un contesto reale, in cui il campionamento e l'analisi dei campioni dovrebbero superare in modo prospettico la diagnosi umana, sarebbe uno studio in cieco e prospettico. Attualmente mancano dati prospettici, il che mette ancora in discussione l'idea che il DNN possa superare gli algoritmi diagnostici all'avanguardia basati sull'uomo. Qui vogliamo indagare la validità e l'utilità delle capacità diagnostiche basate sull'IA in un contesto reale.

La diagnostica ematologica si basa fortemente su molteplici approcci metodicamente distinti, di cui la fenotipizzazione delle cellule aberranti del sangue o del midollo osseo dei pazienti affetti rappresenta una pietra miliare per tutti i metodi successivi, come le analisi genetiche cromosomiche o molecolari. Al MLL, sono necessari cinque diversi pilastri diagnostici per fornire fedelmente prove diagnostiche per una specifica malattia ematica maligna: prima citomorfologia e immunofenotipizzazione, guidando metodi più specifici come citogenetica, FISH e una varietà di analisi genetiche molecolari.

+++ Obiettivi +++

La fenotipizzazione delle cellule del sangue si basa principalmente su due sfide distinte; (1) l'aspetto morfologico e l'abbondanza di specifici tipi di cellule e (2) la presenza di particolari marcatori di lignaggio rilevati dalla citometria a flusso. Questi due metodi sono fondamentali per ogni successivo processo decisionale e, quindi, in ultima analisi, per la diagnosi finale. Allo stesso tempo, questi due metodi sono ideali per l'analisi automatizzata di DNN a causa della loro natura intrinseca basata sull'immagine. Ciò è stato recentemente illustrato da una pubblicazione di Marr e colleghi (Matek et al., 2019; https://doi.org/10.1038/s42256-019-0101-9)

In BELUGA, vogliamo indagare se l'analisi automatizzata degli strisci di sangue (da sangue periferico e aspirati di midollo osseo) e le analisi basate sulla citometria a flusso possono fornire un vantaggio per la qualità diagnostica e, in definitiva, la cura del paziente. Inoltre, BELUGA fornirà prove della natura cooperativa degli strumenti diagnostici basati su immagini per altri pilastri del processo decisionale diagnostico ematologico, come la caratterizzazione genetica e genetica molecolare.

BELUGA, quindi, si compone di tre parti (A-C) (Vedi Figura nel File allegato). In A, vogliamo addestrare un DNN con una raccolta senza precedenti di strisci di sangue e punti dati basati sulla citometria a flusso raccolti nel corso di 15 anni. Questi campioni sono costituiti da tutte le neoplasie ematologiche attualmente identificate e riconosciute dall'attuale classificazione dell'OMS per le neoplasie ematologiche. A causa della diversa incidenza di queste entità, il numero totale di articoli formativi varia da 1.000 a 20.000 per 15 anni. Tuttavia, riteniamo che questa discrepanza sia un vantaggio per gli obiettivi generali di questo studio, poiché questo spettro diversificato ci informerà sul numero di elementi di addestramento necessari per superare la diagnostica all'avanguardia in citomorfologia o citometria a flusso.

Nella parte B, confronteremo le prestazioni complessive del nostro DNN addestrato in modo prospettico con campioni nuovi ma non diagnosticati che arrivano al nostro laboratorio (vedere la sezione principale per i dettagli). La superiorità della categorizzazione basata su DNN sarà contestata in base all'accuratezza dei parametri di risultato predefiniti rispetto alla diagnostica all'avanguardia, al tasso di mancata corrispondenza e al tempo necessario per fornire una probabilità diagnostica.

Infine, in C, studieremo gli effetti su una potenza diagnostica più rapida e accurata sfruttando il nostro DNN addestrato per aiutare le metodologie diagnostiche a valle come l'analisi cromosomica o il sequenziamento del pannello dei campioni dei pazienti.