AI-drevet klassificering af enkeltblodceller

Hver dag, millioner af enkeltblodceller evalueres til sygdomsdiagnostik i medicinske laboratorier og klinikker. Det meste af denne gentagne opgave udføres stadig manuelt af uddannede cytologer, som inspicerer celler i farvede blodudstrygninger og klassificerer dem i omkring 15 forskellige kategorier. Denne proces lider af klassificeringsvariabilitet og kræver tilstedeværelse og ekspertise af en uddannet cytolog.

For at forbedre evalueringseffektiviteten, et team af forskere ved Helmholtz Zentrum München og Universitetshospitalet, LMU München, trænet et dybt neuronalt netværk med næsten 20.000 enkeltcellebilleder til at klassificere dem. Holdlederen Dr. Carsten Marr og den medicinske ph.d.-studerende Dr. Christian Matek fra Institute of Computational Biology ved Helmholtz Zentrum München samt Prof. Dr. med Karsten Spiekermann og Simone Schwarz fra Institut for Medicin III, Universitetshospital, LMU München, brugte billeder, som blev udtrukket fra blodudstrygninger fra 100 patienter, der lider af den aggressive blodsygdom AML og 100 kontroller. Den nye AI-drevne tilgang blev derefter evalueret ved at sammenligne dens ydeevne med nøjagtigheden af ​​menneskelige eksperter. Resultatet viste, at den AI-drevne løsning er i stand til at identificere diagnostiske blastceller, der er mindst lige så gode som en uddannet cytologekspert.

Anvendt forskning gennem AI og Big Data

Deep learning algoritmer til billedbehandling kræver to ting:For det første, en passende konvolutionel neural netværksarkitektur med hundredtusindvis af parametre; sekund, en tilstrækkelig stor mængde træningsdata. Indtil nu, intet stort digitaliseret datasæt af blodudstrygninger har været tilgængeligt, selvom disse prøver er udbredt i klinikker. Forskergruppen ved Helmholtz Zentrum München leverede nu det første store datasæt af den type. I øjeblikket, Marr og hans team arbejder tæt sammen med afdelingen for medicin III på universitetshospitalet i LMU München og et af de største europæiske leukæmilaboratorier, Münchens leukæmilaboratorium (MLL), at digitalisere hundredvis af patientblodudstrygninger mere.

"For at bringe vores tilgang til klinikker, digitalisering af patienters blodprøver skal blive rutine. Algoritmer skal trænes med prøver fra forskellige kilder for at klare den iboende heterogenitet i prøveforberedelse og farvning, " siger Marr. "Sammen med vores partnere kunne vi bevise, at deep learning algoritmer viser en lignende præstation som humane cytologer. I et næste trin, vi vil vurdere, hvor godt andre sygdomskarakteristika, såsom genetiske mutationer eller translokationer, kan forudsiges med denne nye AI-drevne metode."

Denne metode viser den anvendte kraft af AI til translationel forskning. Det er en forlængelse af Helmholtz Zentrum Münchens banebrydende arbejde med klassificering af enkeltceller i blodstamceller (Buggenthin et al., Naturens metoder , 2017), som er blevet belønnet med Helmholtz-foreningens Erwin Schroedinger-pris i 2018. Undersøgelsen blev støttet af SFB 1243 fra den tyske forskningsfond (DFG) og af en ph.d. stipendium fra den tyske José Carreras leukæmifond til Dr. Christian Matek.