Bedre leukemidiagnostikk gjennom AI (BELUGA) (BELUGA)

I en rekke nyere studier har dype nevronale nettverk (DNN) blitt utnyttet for å undersøke nytten av kunstig intelligens (AI)-basert DNN for diagnostiske formål. I hovedsak har de med suksess vist seg å rekapitulere state-of-the-art diagnoser som for tiden utføres av mennesker.

Spesielt viste bruken av kunstig intelligens for mønstergjenkjenning at DNN kunne kategorisere komplekse og sammensatte datapunkter, hovedsakelig bilder, med høy tro på en spesifikk patogen tilstand eller sykdom. De fleste av disse studiene er først og fremst basert på omfattende samlinger av treningsprøver som ble kategorisert på forhånd. Deretter ga denne "opplæringen" de nødvendige innspillene for å klassifisere nylig leverte prøver i de riktige undergruppene, og ofte utkonkurrerte uavhengige menneskelige etterforskere. Så langt har disse studiene dermed gitt begrunnelsen for bruken av DNN i virkelige diagnostikk. Imidlertid vil forutsetningen for å bruke DNN i en virkelig verden, der prøvetaking og analyse må utkonkurrere menneskelig diagnose prospektivt, være en blindet og prospektiv prøvelse. Foreløpig er det mangel på prospektive data, og utfordrer derfor fortsatt forestillingen om at DNN kan utkonkurrere state-of-the-art menneskebaserte diagnostiske algoritmer. Her ønsker vi å undersøke gyldigheten og nytten av AI-baserte diagnostiske evner prospektivt i en virkelig verden.

Hematologisk diagnostikk er sterkt avhengig av flere metodisk distinkte tilnærminger, hvorav fenotyping av avvikende blod- eller benmargsceller fra berørte pasienter representerer en hjørnestein for alle påfølgende metoder, for eksempel kromosomale eller molekylærgenetiske analyser. Ved MLL kreves det fem forskjellige diagnostiske pilarer for å gi diagnostiske bevis for en spesifikk ondartet blodsykdom trofast: cytomorfologi og immunfenotyping først, veiledende mer spesifikke metoder som cytogenetikk, FISH og en rekke molekylærgenetiske analyser.

+++ Mål +++

Fenotyping av blodceller er først og fremst basert på to distinkte utfordringer; (1) det morfologiske utseendet og forekomsten av spesifikke celletyper og (2) tilstedeværelsen av spesielle avstamningsmarkører detektert ved flowcytometri. Disse to metodene er kritiske for hver påfølgende beslutningsprosess og dermed til slutt den endelige diagnosen. Samtidig er disse to metodene ideelt egnet for automatisert analyse av DNN på grunn av deres iboende bildebaserte natur. Dette har nylig blitt illustrert av en publikasjon av Marr og kolleger (Matek et al., 2019; https://doi.org/10.1038/s42256-019-0101-9)

I BELUGA ønsker vi å undersøke om automatisert analyse av blod (fra perifert blod og benmargsaspirater) utstryk og flow-cytometri-baserte analyser kan gi en fordel for diagnostisk kvalitet og til syvende og sist pasientbehandling. Dessuten vil BELUGA gi bevis for den samarbeidende karakteren til bildebaserte diagnostiske verktøy for andre pilarer i hematologisk diagnostisk beslutningstaking som genetisk og molekylærgenetisk karakterisering.

BELUGA består derfor av tre deler (A-C) (se figuren i vedlagte fil). I A ønsker vi å trene en DNN med en enestående samling av blodutstryk og flow-cytometri-baserte datapunkter samlet inn i løpet av 15 år. Disse prøvene består av alle hematologiske maligniteter som for tiden er identifisert og anerkjent av den gjeldende WHO-klassifiseringen for hematologiske maligniteter. På grunn av den varierende forekomsten av disse enhetene, varierer det totale antallet opplæringsartikler fra 1 000 til 20 000 i 15 år. Imidlertid anser vi dette avviket som en fordel for denne utprøvingens overordnede mål, fordi dette mangfoldige spekteret vil informere oss om antall treningselementer som trengs for å utkonkurrere state-of-the-art diagnostikk innen cytomorfologi eller flowcytometri.

I del B vil vi sammenligne den generelle ytelsen til vår trente DNN prospektivt med nye, men udiagnostiserte prøver som ankommer laboratoriet vårt (se hoveddelen for detaljer). Overlegenheten til DNN-basert kategorisering vil bli utfordret basert på de forhåndsdefinerte utfallsparametrenes nøyaktighet med hensyn til state-of-the-art diagnostikk, mismatch-rate og tid som trengs for å gi en diagnostisk sannsynlighet.

Til slutt, i C, vil vi undersøke effektene på raskere og mer nøyaktig diagnostisk kraft ved å utnytte vår trente DNN for å hjelpe nedstrøms diagnostiske metoder som kromosomanalyse eller panelsekvensering av pasientprøver.