Varje dag, miljontals enstaka blodkroppar utvärderas för sjukdomsdiagnostik i medicinska laboratorier och kliniker. Det mesta av denna repetitiva uppgift görs fortfarande manuellt av utbildade cytologer som inspekterar celler i färgade blodutstryk och klassificerar dem i ungefär 15 olika kategorier. Denna process lider av klassificeringsvariabilitet och kräver närvaro och expertis hos en utbildad cytolog.

För att förbättra utvärderingseffektiviteten, ett team av forskare vid Helmholtz Zentrum München och universitetssjukhuset, LMU München, tränade ett djupt neuronalt nätverk med nästan 20 000 encellsbilder för att klassificera dem. Teamledaren Dr. Carsten Marr och den medicinska doktoranden Dr. Christian Matek från Institute of Computational Biology vid Helmholtz Zentrum München samt Prof. Dr. med Karsten Spiekermann och Simone Schwarz från Institutionen för medicin III, Universitetssjukhuset, LMU München, använde bilder som extraherades från blodutstryk från 100 patienter som lider av den aggressiva blodsjukdomen AML och 100 kontroller. Den nya AI-drivna metoden utvärderades sedan genom att jämföra dess prestanda med noggrannheten hos mänskliga experter. Resultatet visade att den AI-drivna lösningen kan identifiera diagnostiska blastceller som är minst lika bra som en utbildad cytologexpert.

Tillämpad forskning genom AI och Big Data

Algoritmer för djupinlärning för bildbehandling kräver två saker:för det första, en lämplig faltningsneural nätverksarkitektur med hundratusentals parametrar; andra, en tillräckligt stor mängd träningsdata. Än så länge, ingen stor digitaliserad datauppsättning av blodutstryk har funnits tillgänglig, även om dessa prover används flitigt på kliniker. Forskargruppen vid Helmholtz Zentrum München tillhandahöll nu den första stora datamängden av den typen. För närvarande, Marr och hans team har ett nära samarbete med Institutionen för medicin III vid universitetssjukhuset i LMU München och ett av de största europeiska leukemilaboratorierna, München Leukemi Laboratory (MLL), att digitalisera hundratals patientblodsmutsar mer.

"För att föra vår inställning till kliniker, digitalisering av patienternas blodprov måste bli rutin. Algoritmer måste tränas med prover från olika källor för att klara av den inneboende heterogeniteten i provberedning och färgning, ", säger Marr. "Tillsammans med våra partners kunde vi bevisa att algoritmer för djupinlärning visar liknande prestanda som humana cytologer. I ett nästa steg, vi kommer att utvärdera hur väl andra sjukdomsegenskaper, såsom genetiska mutationer eller translokationer, kan förutsägas med denna nya AI-drivna metod."

Denna metod visar den tillämpade kraften hos AI för translationell forskning. Det är en förlängning av Helmholtz Zentrum Münchens banbrytande arbete på klassificering av enskilda celler i blodstamceller (Buggenthin et al., Naturmetoder , 2017) som har belönats med Helmholtz-föreningens Erwin Schroedinger-pris 2018. Studien stöddes av SFB 1243 från German Research Foundation (DFG) och av en Ph.D. stipendium från tyska José Carreras Leukemia Foundation till Dr Christian Matek.