Lepsza diagnostyka białaczki dzięki sztucznej inteligencji (BELUGA) (BELUGA)

W licznych niedawnych badaniach wykorzystano głębokie sieci neuronowe (DNN) do zbadania przydatności DNN opartego na sztucznej inteligencji (AI) do celów diagnostycznych. Zasadniczo udowodniły, że z powodzeniem rekapitulują najnowocześniejsze diagnozy wykonywane obecnie przez ludzi.

W szczególności wykorzystanie sztucznej inteligencji do rozpoznawania wzorców wykazało, że DNN może kategoryzować złożone i złożone punkty danych, głównie obrazy, z dużą dokładnością do określonego stanu chorobowego lub choroby. Większość tych badań opiera się przede wszystkim na obszernych zbiorach próbek szkoleniowych, które zostały skategoryzowane a priori. Następnie to „szkolenie” dostarczyło niezbędnych danych wejściowych do sklasyfikowania nowo dostarczonych okazów do odpowiednich podgrup, często nawet przewyższając niezależnych badaczy. Jak dotąd badania te dostarczyły zatem uzasadnienia dla wykorzystania DNN w diagnostyce w świecie rzeczywistym. Jednak warunkiem wstępnym wykorzystania DNN w rzeczywistych warunkach, w których pobieranie próbek i analiza próbek musiałyby prospektywnie przewyższać diagnozę ludzką, byłaby ślepa i prospektywna próba. Obecnie brakuje danych prospektywnych, dlatego wciąż kwestionuje się pogląd, że DNN może przewyższać najnowocześniejsze algorytmy diagnostyczne oparte na ludziach. Tutaj chcemy zbadać ważność i przydatność możliwości diagnostycznych opartych na sztucznej inteligencji prospektywnie w rzeczywistych warunkach.

Diagnostyka hematologiczna w dużym stopniu opiera się na wielu metodach odrębnych, z których fenotypowanie nieprawidłowych komórek krwi lub szpiku kostnego pacjentów dotkniętych chorobą stanowi kamień węgielny dla wszystkich kolejnych metod, takich jak analizy chromosomalne lub molekularne. W MLL wymaganych jest pięć różnych filarów diagnostycznych, aby wiernie przedstawić dowody diagnostyczne dla określonej złośliwej choroby krwi: najpierw cytomorfologia i immunofenotypowanie, kierując się bardziej szczegółowymi metodami, takimi jak cytogenetyka, FISH i różnorodne testy genetyki molekularnej.

+++ Cele +++

Fenotypowanie komórek krwi opiera się przede wszystkim na dwóch odrębnych wyzwaniach; (1) wygląd morfologiczny i obfitość określonych typów komórek oraz (2) obecność określonych markerów linii wykrytych za pomocą cytometrii przepływowej. Te dwie metody są kluczowe dla każdego kolejnego procesu decyzyjnego, a tym samym ostatecznej diagnozy. Jednocześnie te dwie metody idealnie nadają się do zautomatyzowanej analizy przez DNN ze względu na ich nieodłączny charakter oparty na obrazie. Zostało to niedawno zilustrowane w publikacji Marra i współpracowników (Matek i in., 2019; https://doi.org/10.1038/s42256-019-0101-9)

W BELUGA chcemy zbadać, czy zautomatyzowana analiza rozmazów krwi (z krwi obwodowej i aspiratów szpiku kostnego) oraz analizy oparte na cytometrii przepływowej mogą przynieść korzyści dla jakości diagnostyki, a ostatecznie dla opieki nad pacjentem. Ponadto projekt BELUGA dostarczy dowodów na kooperatywny charakter narzędzi diagnostycznych opartych na obrazach dla innych filarów podejmowania decyzji w diagnostyce hematologicznej, takich jak genetyczna i molekularna charakterystyka genetyczna.

BELUGA składa się zatem z trzech części (A-C) (patrz rysunek w załączonym pliku). W A chcemy wyszkolić DNN z bezprecedensowym zbiorem rozmazów krwi i punktów danych opartych na cytometrii przepływowej zebranych w ciągu 15 lat. Próbki te obejmują wszystkie nowotwory hematologiczne obecnie zidentyfikowane i uznane przez aktualną klasyfikację WHO dla nowotworów hematologicznych. Ze względu na różną częstość występowania tych podmiotów, łączna liczba pozycji szkoleniowych waha się od 1000 do 20 000 przez 15 lat. Uważamy jednak, że ta rozbieżność jest korzystna dla ogólnych celów tej próby, ponieważ to zróżnicowane spektrum poinformuje nas o liczbie elementów szkoleniowych potrzebnych do przewyższenia najnowocześniejszej diagnostyki w cytomorfologii lub cytometrii przepływowej.

W części B porównamy prospektywnie ogólną wydajność naszego przeszkolonego DNN z nowymi, ale niezdiagnozowanymi próbkami przybywającymi do naszego laboratorium (szczegóły w sekcji głównej). Wyższość kategoryzacji opartej na DNN zostanie zakwestionowana w oparciu o predefiniowaną dokładność parametrów wynikowych w odniesieniu do najnowocześniejszej diagnostyki, współczynnika niezgodności i czasu potrzebnego do zapewnienia prawdopodobieństwa diagnostycznego.

Na koniec, w C, zbadamy wpływ na szybszą i dokładniejszą moc diagnostyczną, wykorzystując naszą wyszkoloną DNN do wspomagania dalszych metod diagnostycznych, takich jak analiza chromosomów lub sekwencjonowanie panelowe próbek pacjentów.