AI를 통한 더 나은 백혈병 진단(BELUGA) (BELUGA)

최근 수많은 연구에서 DNN(심층 신경망)을 활용하여 인공 지능(AI) 기반 DNN의 진단 목적 유용성을 검토했습니다. 본질적으로 그들은 현재 인간이 수행하는 최첨단 진단을 성공적으로 요약한 것으로 입증되었습니다.

특히, 패턴 인식을 위한 인공 지능의 사용은 DNN이 특정 병원성 상태 또는 질병에 대해 높은 충실도를 가지고 주로 이미지와 같은 복잡하고 복합적인 데이터 포인트를 분류할 수 있음을 보여주었습니다. 이러한 연구의 대부분은 주로 선험적으로 분류된 광범위한 교육 샘플 수집을 기반으로 합니다. 결과적으로 이 "훈련"은 새로 전달된 표본을 올바른 하위 그룹으로 분류하는 데 필요한 입력을 제공했으며 종종 독립적인 인간 조사자를 능가했습니다. 지금까지 이러한 연구는 실제 진단에서 DNN 사용에 대한 근거를 제공했습니다. 그러나 실제 환경에서 DNN을 사용하기 위한 전제 조건은 표본 샘플링 및 분석이 전향적으로 사람의 진단을 능가해야 하는 맹검 및 전향적 시험입니다. 현재 예상 데이터가 부족하므로 DNN이 최첨단 인간 기반 진단 알고리즘을 능가할 수 있다는 개념에 여전히 도전하고 있습니다. 여기서 우리는 실제 환경에서 전향적으로 AI 기반 진단 기능의 유효성과 유용성을 조사하고자 합니다.

혈액학적 진단은 체계적으로 구별되는 여러 접근 방식에 크게 의존하며, 영향을 받은 환자의 이상 혈액 또는 골수 세포를 표현형 분석하는 것은 염색체 또는 분자 유전 분석과 같은 모든 후속 방법의 초석을 나타냅니다. MLL에서는 특정 악성 혈액 질환에 대한 진단 증거를 충실히 제공하기 위해 5개의 서로 다른 진단 기반이 필요합니다. 먼저 세포 형태학 및 면역 표현형 분석, 세포 유전학, FISH 및 다양한 분자 유전 분석과 같은 보다 구체적인 방법을 안내합니다.

+++ 목표 +++

혈액 세포의 표현형 분석은 주로 두 가지 별개의 문제를 기반으로 합니다. (1) 특정 세포 유형의 형태학적 외관 및 풍부도 및 (2) 유동 세포측정법에 의해 검출된 특정 계통 마커의 존재. 이 두 가지 방법은 각 후속 의사 결정 프로세스와 궁극적으로 최종 진단에 중요합니다. 동시에 이 두 가지 방법은 고유한 이미지 기반 특성으로 인해 DNN에 의한 자동 분석에 이상적입니다. 이것은 최근 Marr와 동료들의 간행물에 의해 설명되었습니다(Matek et al., 2019; https://doi.org/10.1038/s42256-019-0101-9).

BELUGA에서 우리는 (말초 혈액 및 골수 흡인물에서 나온) 혈액 도말의 자동 분석과 유세포 분석 기반 분석이 진단 품질과 궁극적으로 환자 치료에 이점을 제공할 수 있는지 여부를 조사하고자 합니다. 또한 BELUGA는 유전 및 분자 유전 특성화와 같은 혈액 진단 의사 결정의 다른 기둥을 위한 이미지 기반 진단 도구의 협력적 특성에 대한 증거를 제공할 것입니다.

따라서 BELUGA는 세 부분(A-C)으로 구성됩니다(첨부 파일의 그림 참조). A에서 우리는 15년 동안 수집된 전례 없는 혈액 도말 수집 및 유세포 분석 기반 데이터 포인트로 DNN을 교육하려고 합니다. 이러한 샘플은 혈액 악성 종양에 대한 현재 WHO 분류에 의해 현재 확인되고 인식되는 모든 혈액 악성 종양으로 구성됩니다. 이러한 엔터티의 다양한 발생률로 인해 총 교육 항목 수는 15년 동안 1,000에서 20,000까지 다양합니다. 그러나 우리는 이 다양한 스펙트럼이 세포 형태학 또는 유세포 분석에서 최신 진단을 능가하는 데 필요한 훈련 항목의 수를 알려줄 것이기 때문에 이러한 불일치가 이 실험의 전반적인 목표에 도움이 된다고 생각합니다.

파트 B에서는 훈련된 DNN의 전체 성능을 실험실에 도착한 아직 진단되지 않은 새 샘플과 전향적으로 비교할 것입니다(자세한 내용은 주요 섹션 참조). DNN 기반 분류의 우월성은 최첨단 진단, 불일치 비율 및 진단 확률을 제공하는 데 필요한 시간과 관련하여 사전 정의된 결과 매개변수 정확도를 기반으로 도전됩니다.

마지막으로 C에서는 훈련된 DNN을 활용하여 염색체 분석 또는 환자 샘플의 패널 시퀀싱과 같은 다운스트림 진단 방법론을 지원하여 더 빠르고 정확한 진단 능력에 미치는 영향을 조사합니다.