Улучшенная диагностика лейкемии с помощью ИИ (BELUGA) (BELUGA)

В многочисленных недавних исследованиях глубокие нейронные сети (DNN) использовались для изучения полезности DNN на основе искусственного интеллекта (ИИ) для диагностических целей. По сути, они успешно доказали, что они повторяют современные диагнозы, которые в настоящее время ставятся людьми.

В частности, использование искусственного интеллекта для распознавания образов показало, что DNN может классифицировать сложные и составные точки данных, в основном изображения, с высокой точностью для конкретного патогенного состояния или заболевания. Большинство этих исследований в основном основаны на обширных коллекциях обучающих выборок, которые были классифицированы априори. Впоследствии это «обучение» предоставило необходимые данные для классификации вновь доставленных образцов в правильные подгруппы, часто даже превосходя независимых исследователей-людей. Таким образом, эти исследования до сих пор давали обоснование для использования DNN в реальной диагностике. Однако предварительным условием для использования DNN в реальных условиях, где отбор и анализ образцов должны были бы превзойти диагностику человека, было бы слепое и проспективное исследование. В настоящее время не хватает проспективных данных, поэтому все еще ставится под сомнение представление о том, что DNN может превзойти современные диагностические алгоритмы, основанные на человеке. Здесь мы хотим исследовать обоснованность и полезность диагностических возможностей на основе ИИ в реальных условиях.

Гематологическая диагностика в значительной степени зависит от нескольких методически различных подходов, из которых фенотипирование аберрантных клеток крови или костного мозга пораженных пациентов представляет собой краеугольный камень для всех последующих методов, таких как хромосомный или молекулярно-генетический анализ. В MLL требуется пять различных диагностических столпов для достоверного предоставления диагностических данных о конкретном злокачественном заболевании крови: сначала цитоморфология и иммунофенотипирование, а также более конкретные методы, такие как цитогенетика, FISH и различные молекулярно-генетические анализы.

+++ Цели +++

Фенотипирование клеток крови прежде всего основано на двух различных задачах; (1) морфологический вид и обилие определенных типов клеток и (2) наличие определенных маркеров клонов, обнаруженных с помощью проточной цитометрии. Эти два метода имеют решающее значение для каждого последующего процесса принятия решения и, таким образом, в конечном счете, для окончательного диагноза. В то же время эти два метода идеально подходят для автоматизированного анализа с помощью DNN из-за присущей им природы, основанной на изображениях. Недавно это было проиллюстрировано публикацией Марра и его коллег (Matek et al., 2019; https://doi.org/10.1038/s42256-019-0101-9).

В BELUGA мы хотим выяснить, могут ли автоматизированный анализ крови (из периферической крови и аспиратов костного мозга), мазков и анализы на основе проточной цитометрии улучшить качество диагностики и, в конечном счете, уход за пациентами. Кроме того, BELUGA предоставит доказательства кооперативного характера диагностических инструментов на основе изображений для других столпов принятия гематологических диагностических решений, таких как генетическая и молекулярно-генетическая характеристика.

Таким образом, BELUGA состоит из трех частей (A-C) (см. рисунок в прикрепленном файле). В A мы хотим обучить DNN с беспрецедентной коллекцией мазков крови и точек данных на основе проточной цитометрии, собранных в течение 15 лет. Эти образцы состоят из всех гематологических злокачественных новообразований, идентифицированных в настоящее время и признанных текущей классификацией ВОЗ для гематологических злокачественных новообразований. Из-за различной частоты возникновения этих сущностей общее количество учебных предметов варьируется от 1000 до 20000 в течение 15 лет. Тем не менее, мы считаем это несоответствие преимуществом для общих целей этого исследования, потому что этот разнообразный спектр даст нам информацию о количестве обучающих элементов, необходимых для того, чтобы превзойти современные методы диагностики в цитоморфологии или проточной цитометрии.

В части B мы проспективно сравним общую производительность нашей обученной DNN с новыми, еще не продиагностированными образцами, поступающими в нашу лабораторию (подробности см. В основном разделе). Превосходство категоризации на основе DNN будет подвергаться сомнению на основе точности заранее определенных параметров результата в отношении современной диагностики, частоты несоответствия и времени, необходимого для обеспечения диагностической вероятности.

Наконец, в C мы будем исследовать влияние на более быструю и точную диагностическую мощность, используя нашу обученную DNN, чтобы помочь последующим диагностическим методологиям, таким как хромосомный анализ или панельное секвенирование образцов пациентов.