AI による白血病診断の改善 (BELUGA) (BELUGA)

最近の多くの研究では、診断目的での人工知能 (AI) ベースの DNN の有用性を調べるために、ディープ ニューラル ネットワーク (DNN) が活用されています。 本質的に、彼らは現在人間によって行われている最先端の診断を再現することに成功しました。

具体的には、パターン認識に人工知能を使用することで、DNN が複雑で複合的なデータ ポイント (主に画像) を特定の病状または疾患に高い忠実度で分類できることが示されました。 これらの研究の大部分は、主にアプリオリに分類された広範なトレーニング サンプル コレクションに基づいています。 その後、この「トレーニング」は、新しく配達された標本を正しいサブグループに分類するために必要な入力を提供し、多くの場合、独立した人間の調査者よりも優れています. これまでのところ、これらの研究は、現実世界の診断に DNN を使用する根拠を提供してきました。 ただし、標本のサンプリングと分析が人間の診断を前向きに上回る必要がある現実世界の設定で DNN を使用するための前提条件は、盲検化された前向き試験です。 現在、前向きなデータが不足しているため、DNN が最先端の人間ベースの診断アルゴリズムよりも優れているという考えにまだ挑戦しています。 ここでは、AI ベースの診断機能の有効性と有用性を、実際の環境で前向きに調査したいと考えています。

血液学的診断は、系統的に異なる複数のアプローチに大きく依存しており、そのうち、異常な血液または罹患患者からの骨髄細胞の表現型は、染色体または分子遺伝学的分析など、その後のすべての方法の基礎となります。 MLL では、特定の悪性血液疾患の診断的証拠を忠実に提供するために、5 つの異なる診断の柱が必要です。最初に細胞形態学と免疫表現型検査を行い、細胞遺伝学、FISH、および多様な分子遺伝学的アッセイなどのより具体的な方法を導きます。

+++ 目的 +++

血液細胞の表現型解析は、主に 2 つの異なる課題に基づいています。 (1) 特定の細胞型の形態学的外観と豊富さ、および (2) フローサイトメトリーによって検出された特定の系統マーカーの存在。 これら 2 つの方法は、その後の各意思決定プロセスにとって重要であり、最終的には最終的な診断に重要です。 同時に、これら 2 つの方法は、固有の画像ベースの性質により、DNN による自動分析に最適です。 これは、Marr と同僚による出版物によって最近説明されました (Matek et al., 2019; https://doi.org/10.1038/s42256-019-0101-9)。

BELUGA では、血液 (末梢血および骨髄穿刺液からの) 塗抹標本の自動分析とフローサイトメトリーに基づく分析が、診断の質、そして最終的には患者ケアに利益をもたらすかどうかを調査したいと考えています。 さらに、BELUGA は、遺伝的および分子遺伝学的特徴付けなど、血液学的診断の意思決定の他の柱のための画像ベースの診断ツールの協調的な性質の証拠を提供します。

したがって、BELUGA は 3 つの部分 (A ～ C) で構成されます (添付ファイルの図を参照)。 A では、15 年間に収集された前例のない血液塗抹標本とフローサイトメトリー ベースのデータ ポイントを使用して DNN をトレーニングしたいと考えています。 これらのサンプルは、血液悪性腫瘍の現在の WHO 分類によって現在特定および認識されているすべての血液悪性腫瘍で構成されています。 これらの実体の発生率はさまざまであるため、トレーニング項目の総数は 15 年間で 1,000 から 20,000 まで変化します。 ただし、この多様なスペクトルは、細胞形態学またはフローサイトメトリーにおける最先端の診断法を上回るために必要なトレーニング項目の数を教えてくれるため、この不一致はこの試験の全体的な目的にとって有益であると考えています。

パート B では、トレーニング済みの DNN の全体的なパフォーマンスを、ラボに到着したまだ診断されていない新しいサンプルと前向きに比較します (詳細については、メイン セクションを参照してください)。 DNN ベースの分類の優位性は、最先端の診断、不一致率、および診断確率を提供するために必要な時間に関して、事前に定義された結果パラメーターの精度に基づいて挑戦されます。

最後に、C では、トレーニング済みの DNN を活用して、染色体分析や患者サンプルのパネル シーケンスなどの下流の診断方法論を支援することにより、より迅速で正確な診断力への影響を調査します。