Elke dag, miljoenen afzonderlijke bloedcellen worden geëvalueerd voor ziektediagnostiek in medische laboratoria en klinieken. Het grootste deel van deze repetitieve taak wordt nog steeds handmatig gedaan door getrainde cytologen die cellen in gekleurde bloeduitstrijkjes inspecteren en deze in ongeveer 15 verschillende categorieën indelen. Dit proces lijdt aan classificatievariabiliteit en vereist de aanwezigheid en expertise van een getrainde cytoloog.

Om de efficiëntie van de evaluatie te verbeteren, een team van onderzoekers van Helmholtz Zentrum München en het Universitair Ziekenhuis, LMU München, trainde een diep neuronaal netwerk met bijna 20.000 eencellige beelden om ze te classificeren. De teamleider Dr. Carsten Marr en medisch doctoraalstudent Dr. Christian Matek van het Institute of Computational Biology aan het Helmholtz Zentrum München, evenals Prof. Dr. med Karsten Spiekermann en Simone Schwarz van de afdeling Geneeskunde III, Universitair Ziekenhuis, LMU München, gebruikte beelden die werden geëxtraheerd uit bloeduitstrijkjes van 100 patiënten die leden aan de agressieve bloedziekte AML en 100 controles. De nieuwe AI-gestuurde aanpak werd vervolgens geëvalueerd door de prestaties te vergelijken met de nauwkeurigheid van menselijke experts. Het resultaat toonde aan dat de AI-gestuurde oplossing diagnostische blastcellen minstens zo goed kan identificeren als een getrainde cytoloog-expert.

Toegepast onderzoek door AI en Big Data

Deep learning-algoritmen voor beeldverwerking vereisen twee dingen:ten eerste, een geschikte convolutionele neurale netwerkarchitectuur met honderdduizenden parameters; tweede, een voldoende grote hoeveelheid trainingsgegevens. Tot dusver, er is geen grote gedigitaliseerde dataset van bloeduitstrijkjes beschikbaar, hoewel deze monsters alomtegenwoordig worden gebruikt in klinieken. De onderzoeksgroep van Helmholtz Zentrum München leverde nu de eerste grote dataset van dat type. Momenteel, Marr en zijn team werken nauw samen met de afdeling Geneeskunde III van het Universitair Ziekenhuis van LMU München en een van de grootste Europese laboratoria voor leukemie, het München Leukemie Laboratorium (MLL), om honderden bloeduitstrijkjes van patiënten meer te digitaliseren.

"Om onze aanpak naar klinieken te brengen, digitalisering van bloedmonsters van patiënten moet routine worden. Algoritmen moeten worden getraind met monsters uit verschillende bronnen om de inherente heterogeniteit in monstervoorbereiding en kleuring het hoofd te bieden, ", zegt Marr. "Samen met onze partners zouden we kunnen bewijzen dat deep learning-algoritmen vergelijkbare prestaties leveren als menselijke cytologen. In een volgende stap, we zullen evalueren hoe goed andere ziektekenmerken, zoals genetische mutaties of translocaties, kunnen worden voorspeld met deze nieuwe AI-gestuurde methode."

Deze methode toont de toegepaste kracht van AI voor translationeel onderzoek. Het is een uitbreiding van het baanbrekende werk van Helmholtz Zentrum München op het gebied van eencellige classificatie in bloedstamcellen (Buggenthin et al., Natuurmethoden , 2017), die in 2018 is bekroond met de Erwin Schroedinger-prijs van de Helmholtz-vereniging. De studie werd ondersteund door de SFB 1243 van de Duitse Onderzoeksstichting (DFG) en door een Ph.D. beurs van de Duitse José Carreras Leukemie Stichting aan Dr. Christian Matek.