Betere leukemiediagnostiek door AI (BELUGA) (BELUGA)

In tal van recente onderzoeken zijn diepe neuronale netwerken (DNN) gebruikt om het nut van op kunstmatige intelligentie (AI) gebaseerde DNN voor diagnostische doeleinden te onderzoeken. In wezen hebben ze met succes bewezen dat ze state-of-the-art diagnoses recapituleren die momenteel door mensen worden uitgevoerd.

Met name het gebruik van kunstmatige intelligentie voor patroonherkenning toonde aan dat DNN complexe en samengestelde gegevenspunten, voornamelijk afbeeldingen, kon categoriseren met een hoge betrouwbaarheid voor een specifieke pathogene aandoening of ziekte. De meeste van deze onderzoeken zijn voornamelijk gebaseerd op uitgebreide verzamelingen trainingsmonsters die a priori werden gecategoriseerd. Vervolgens leverde deze "training" de nodige input om nieuw afgeleverde exemplaren in de juiste subgroepen te classificeren, waarbij ze vaak zelfs beter presteerden dan onafhankelijke menselijke onderzoekers. Tot nu toe hebben deze onderzoeken dus de grondgedachte opgeleverd voor het gebruik van DNN in real-world diagnostiek. De voorwaarde voor het gebruik van DNN in een real-world setting, waar het bemonsteren en analyseren van monsters prospectief beter zou moeten presteren dan de menselijke diagnose, zou echter een geblindeerde en prospectieve studie zijn. Momenteel is er een gebrek aan prospectieve gegevens, waardoor het idee nog steeds in twijfel wordt getrokken dat DNN geavanceerde, op mensen gebaseerde diagnostische algoritmen kan overtreffen. Hier willen we de validiteit en bruikbaarheid van op AI gebaseerde diagnostische mogelijkheden prospectief onderzoeken in een real-world setting.

Hematologische diagnostiek is sterk afhankelijk van meerdere methodisch verschillende benaderingen, waarvan fenotypering van afwijkende bloed- of beenmergcellen van getroffen patiënten een hoeksteen vormt voor alle volgende methoden, zoals chromosomale of moleculair genetische analyses. Bij het MLL zijn vijf verschillende diagnostische pijlers vereist om getrouw diagnostisch bewijs te leveren voor een specifieke kwaadaardige bloedaandoening: cytomorfologie en immunofenotypering eerst, leidend voor meer specifieke methoden zoals cytogenetica, FISH en een diversiteit aan moleculair genetische testen.

+++ Doelstellingen +++

Fenotypering van bloedcellen is voornamelijk gebaseerd op twee verschillende uitdagingen; (1) het morfologische uiterlijk en de overvloed van specifieke celtypen en (2) de aanwezigheid van bepaalde afstammingsmarkers gedetecteerd door flowcytometrie. Deze twee methoden zijn van cruciaal belang voor elk volgend besluitvormingsproces en dus uiteindelijk voor de uiteindelijke diagnose. Tegelijkertijd zijn deze twee methoden bij uitstek geschikt voor geautomatiseerde analyse door DNN vanwege hun inherente op afbeeldingen gebaseerde karakter. Dit is onlangs geïllustreerd door een publicatie van Marr en collega's (Matek et al., 2019; https://doi.org/10.1038/s42256-019-0101-9)

In BELUGA willen we onderzoeken of de geautomatiseerde analyse van bloed (uit perifeer bloed en beenmergaspiraten) uitstrijkjes en op flowcytometrie gebaseerde analyses een voordeel kunnen opleveren voor de diagnostische kwaliteit en uiteindelijk de patiëntenzorg. Bovendien zal BELUGA bewijs leveren voor het coöperatieve karakter van beeldgebaseerde diagnostische hulpmiddelen voor andere pijlers van hematologische diagnostische besluitvorming, zoals genetische en moleculair genetische karakterisering.

BELUGA bestaat dus uit drie delen (A-C) (zie figuur in bijgevoegd bestand). In A willen we een DNN trainen met een ongekende verzameling bloeduitstrijkjes en op flowcytometrie gebaseerde datapunten die in de loop van 15 jaar zijn verzameld. Deze monsters bestaan ​​uit alle hematologische maligniteiten die momenteel zijn geïdentificeerd en erkend door de huidige WHO-classificatie voor hematologische maligniteiten. Vanwege de wisselende incidentie van deze entiteiten varieert het totale aantal trainingsitems van 1.000 tot 20.000 gedurende 15 jaar. We beschouwen deze discrepantie echter als een voordeel voor de algemene doelstellingen van deze studie, omdat dit diverse spectrum ons zal informeren over het aantal trainingsitems dat nodig is om de geavanceerde diagnostiek in cytomorfologie of flowcytometrie te overtreffen.

In deel B zullen we de algehele prestaties van onze getrainde DNN prospectief vergelijken met nieuwe, nog niet gediagnosticeerde monsters die in ons laboratorium aankomen (zie het hoofdgedeelte voor details). De superioriteit van op DNN gebaseerde categorisatie zal worden uitgedaagd op basis van de vooraf gedefinieerde nauwkeurigheid van de uitkomstparameters met betrekking tot de allernieuwste diagnostiek, het mismatch-percentage en de tijd die nodig is om een ​​diagnostische waarschijnlijkheid te bieden.

Ten slotte zullen we in C de effecten op een snellere en nauwkeurigere diagnostische kracht onderzoeken door gebruik te maken van onze getrainde DNN om downstream diagnostische methodologieën te ondersteunen, zoals chromosomale analyse of panelsequencing van patiëntmonsters.