Melhores diagnósticos de leucemia por meio de IA (BELUGA) (BELUGA)

Em vários estudos recentes, as redes neuronais profundas (DNN) foram aproveitadas para examinar a utilidade da DNN baseada em inteligência artificial (IA) para fins de diagnóstico. Em essência, eles provaram com sucesso recapitular diagnósticos de última geração atualmente realizados por humanos.

Especificamente, o uso de inteligência artificial para reconhecimento de padrões mostrou que o DNN pode categorizar pontos de dados complexos e compostos, principalmente imagens, com alta fidelidade a uma condição ou doença patogênica específica. A maioria desses estudos é baseada principalmente em extensas coletas de amostras de treinamento que foram categorizadas a priori. Posteriormente, esse "treinamento" forneceu a entrada necessária para classificar espécimes recém-entregues nos subgrupos corretos, frequentemente superando até investigadores humanos independentes. Até agora, esses estudos forneceram a justificativa para o uso de DNN em diagnósticos do mundo real. No entanto, o pré-requisito para usar o DNN em um cenário do mundo real, onde a amostragem e análise de espécimes precisariam superar o diagnóstico humano prospectivamente, seria um estudo cego e prospectivo. Atualmente, há uma falta de dados prospectivos, portanto, ainda desafiando a noção de que a DNN pode superar os algoritmos de diagnóstico baseados em humanos de última geração. Aqui, queremos investigar a validade e a utilidade dos recursos de diagnóstico baseados em IA prospectivamente em um cenário do mundo real.

Os diagnósticos hematológicos dependem fortemente de várias abordagens metodicamente distintas, das quais a fenotipagem de sangue aberrante ou células da medula óssea de pacientes afetados representa a pedra angular para todos os métodos subsequentes, como análises genéticas cromossômicas ou moleculares. No MLL, cinco diferentes pilares diagnósticos são necessários para fornecer evidências diagnósticas para uma doença maligna específica do sangue com fidelidade: citomorfologia e imunofenotipagem primeiro, guiando métodos mais específicos, como citogenética, FISH e uma diversidade de ensaios de genética molecular.

+++ Objetivos +++

A fenotipagem de células sanguíneas é baseada principalmente em dois desafios distintos; (1) a aparência morfológica e abundância de tipos específicos de células e (2) a presença de marcadores de linhagem específicos detectados por citometria de fluxo. Esses dois métodos são críticos para cada processo de tomada de decisão subsequente e, portanto, em última análise, para o diagnóstico final. Simultaneamente, esses dois métodos são ideais para análise automatizada por DNN devido à sua natureza baseada em imagem inerente. Isso foi ilustrado recentemente por uma publicação de Marr e colegas (Matek et al., 2019; https://doi.org/10.1038/s42256-019-0101-9)

No BELUGA, queremos investigar se a análise automatizada de esfregaços de sangue (de sangue periférico e aspirados de medula óssea) e análises baseadas em citometria de fluxo podem fornecer um benefício para a qualidade do diagnóstico e, em última análise, para o atendimento ao paciente. Além disso, BELUGA fornecerá evidências para a natureza cooperativa de ferramentas de diagnóstico baseadas em imagem para outros pilares da tomada de decisão de diagnóstico hematológico, como caracterização genética e genética molecular.

A BELUGA, portanto, é composta por três partes (A-C) (Ver Figura no Arquivo anexo). Em A, queremos treinar um DNN com uma coleta inédita de esfregaços de sangue e pontos de dados baseados em citometria de fluxo coletados ao longo de 15 anos. Essas amostras consistem em todas as malignidades hematológicas atualmente identificadas e reconhecidas pela classificação atual da OMS para malignidades hematológicas. Devido às diferentes incidências dessas entidades, o número total de itens de treinamento varia de 1.000 a 20.000 por 15 anos. No entanto, consideramos essa discrepância um benefício para os objetivos gerais deste estudo, porque esse espectro diversificado nos informará sobre o número de itens de treinamento necessários para superar o diagnóstico de ponta em citomorfologia ou citometria de fluxo.

Na parte B, compararemos o desempenho geral de nosso DNN treinado prospectivamente com novas amostras ainda não diagnosticadas que chegam ao nosso laboratório (consulte a seção principal para obter detalhes). A superioridade da categorização baseada em DNN será contestada com base na precisão dos parâmetros de resultado predefinidos em relação aos diagnósticos de última geração, taxa de incompatibilidade e tempo necessário para fornecer uma probabilidade de diagnóstico.

Por fim, em C, investigaremos os efeitos no poder de diagnóstico mais rápido e preciso, aproveitando nosso DNN treinado para auxiliar nas metodologias de diagnóstico a jusante, como análise cromossômica ou sequenciamento de painel de amostras de pacientes.