Subscribe to RSS
DOI: 10.1055/a-1965-7044
Künstliche Intelligenz für die computerunterstützte Leukämiediagnostik
Artificial Intelligence for computer-aided leukemia diagnosticsWas ist neu?
Algorithmen auf Basis großer Datenmengen: Voraussetzung für die Anwendung von KI-Algorithmen ist eine hochqualitative Digitalisierung von Präparaten mit ausreichender Auflösung. Ferner ist die zuverlässige Annotation einer ausreichenden Menge von Trainings- und Testdaten nötig.
Umfangreiche Bilddatenbanken für die KI-gestützte Leukämiediagnostik: Zur Entwicklung von datengetriebenen Algorithmen wie z.B. neuronaler Netze ist die Bereitstellung großer, kuratierter Datenbanken nötig. Im Bereich der morphologischen Leukozyten-Differenzierung kann dazu z.B. die Annotation von Zehntausenden von Einzelzellen nötig sein. Neuere Methoden benötigen weniger manuelle Annotationen, jedoch in der Regel noch größere Trainingsdatensätze.
Methoden zur Nachvollziehbarkeit der Vorhersagen: Die „erklärbare KI“ stellt eine Reihe von Methoden bereit, die den Vorhersageprozess von neuronalen Netzen transparenter machen und für die Vorhersage relevante Anteile der Eingangsdaten erkennen. Dies ermöglicht Anwendern, die Vorhersagen des Algorithmus auf Plausibilität zu überprüfen und z.B. zu erkennen, ob bekanntermaßen diagnostisch aussagekräftige Strukturen wie Auer-Stäbchen erkannt wurden.
Voraussetzungen für die Routineanwendung: Für die breite Anwendung in der diagnostischen Routine sind Stabilitäts- und Robustheitsanalysen nötig, um sicherzugehen, dass die Algorithmen ihre Leistungsfähigkeit auch bei Schwankungen der Proben- und Digitalisierungsqualität behalten. Hierzu befinden sich bei den Zulassungsinstitutionen aktuell Standards in Entwicklung.
Perspektive Integrierte Diagnostik: Datenbasierte Algorithmen erlauben die Verknüpfung verschiedener diagnostischer Modalitäten und versprechen bei kombiniertem Zugang zu unterschiedlichen Befundarten eine noch höhere Genauigkeit, stellen allerdings auch noch höhere Ansprüche an die verwendete Datenbasis.
Abstract
The manual examination of blood and bone marrow specimens for leukemia patients is time-consuming and limited by intra- and inter-observer variance. The development of AI algorithms for leukemia diagnostics requires high-quality sample digitization and reliable annotation of large datasets. Deep learning-based algorithms using these datasets attain human-level performance for some well-defined, clinically relevant questions such as the blast character of cells. Methods such as multiple – instance – learning allow predicting diagnoses from a collection of leukocytes, but are more data-intensive. Using “explainable AI” methods can make the prediction process more transparent and allow users to verify the algorithm's predictions. Stability and robustness analyses are necessary for routine application of these algorithms, and regulatory institutions are developing standards for this purpose. Integrated diagnostics, which link different diagnostic modalities, offer the promise of even greater accuracy but require more extensive and diverse datasets.
Schlüsselwörter
KI in der medizinischen Bildanalyse - Diagnostische Unterstützungssysteme - Leukämiediagnostik - ZytomorphologieKeywords
AI in medical image analysis - computer-aided diagnostics - leukemia diagnostics - cytomorphologyPublication History
Article published online:
23 August 2023
© 2023. Thieme. All rights reserved.
Georg Thieme Verlag KG
Rüdigerstraße 14, 70469 Stuttgart, Germany
-
Literatur
- 1 Kreuzer KA, Bettelheim P, Haferlach T. et al. Onkopedia Leitlinie Hämatologische Diagnostik. Onkopedia 2022; Im Internet: Hämatologische Diagnostik — Onk. Accessed July 18, 2023 at: https://www.onkopedia.com/de/onkopedia/guidelines/haematologische-diagnostik/@@guideline/html/index.htmlopedia
- 2 Font P, Loscertales J, Soto C. et al. Interobserver variance in myelodysplastic syndromes with less than 5 % bone marrow blasts: unilineage vs. multilineage dysplasia and reproducibility of the threshold of 2 % blasts. Ann Hematol 2015; 94: 565-573 DOI: 10.1007/s00277-014-2252-4. (PMID: 25387664)
- 3 Font Lopez P, Loscertales J, Lopez Rubio M. et al. Interobserver Variability with the Diagnosis of Acute Myeloid Leukemia (AML) and Myelodysplastic Syndrome (MDS) Is the Threshold of 20% Bone Marrow Blasts Reproducible?. Blood 2021; 138: 2607-2607 DOI: 10.1182/blood-2021-149147.
- 4 Goodfellow I, Bengio Y, Courville A. Deep Learning. MIT Press; 2016
- 5 Matek C, Krappe S, Münzenmayer C. et al. An Expert-Annotated Dataset of Bone Marrow Cytology in Hematologic Malignancies [Data set]. The Cancer Imaging Archive. 2021 DOI: 10.7937/TCIA.AXH3-T579
- 6 Matek C, Krappe S, Münzenmayer C. et al. An Expert-Annotated Dataset of Bone Marrow Cytology in Hematologic Malignancies [Data set]. The Cancer Imaging Archive. 2021 DOI: 10.7937/TCIA.AXH3-T579
- 7 Xie S, Girshick R, Dollár P. et al. Aggregated residual transformations for deep neural networks. arXiv [csCV] 2016; 1492-1500
- 8 Matek C, Schwarz S, Spiekermann K. et al. Human-level recognition of blast cells in acute myeloid leukaemia with convolutional neural networks. Nat Mach Intell 2019; 1: 538-544 DOI: 10.1038/s42256-019-0101-9.
- 9 Matek C, Krappe S, Münzenmayer C. et al. Highly accurate differentiation of bone marrow cell morphologies using deep neural networks on a large image data set. Blood 2021; 138: 1917-1927 DOI: 10.1182/blood.2020010568. (PMID: 34792573)
- 10 Ilse M, Tomczak J, Welling M. Attention-based Deep Multiple Instance Learning. In: Dy J, Krause A. Proceedings of the 35th International Conference on Machine Learning. PMLR; 10–15 Jul 2018. 2127-2136
- 11 Hehr M, Sadafi A, Matek C. et al. Explainable AI identifies diagnostic cells of genetic AML subtypes. PLOS Digit Health 2023; 2: e0000187 DOI: 10.1371/journal.pdig.0000187. (PMID: 36921004)
- 12 Samek W, Montavon G, Vedaldi A. et al. Explainable AI: Interpreting, Explaining and Visualizing Deep Learning. 1. Aufl. Cham: Springer Nature; 2019; DOI: 10.1007/978-3-030-28954-6.
- 13 Smilkov D, Thorat N, Kim B. et al. SmoothGrad: removing noise by adding noise. arXiv [csLG]. 2017 Accessed July 18, 2023 at: https://arxiv.org/abs/1706.03825
- 14 Selvaraju RR, Cogswell M, Das A. et al. Grad-cam: Visual explanations from deep networks via gradient-based localization. Proceedings of the IEEE international conference on computer vision 2017; 618-626
- 15 U.S. Food and Drug Administration. Clinical Decision Support Software Guidance for Industry and Food and Drug Administration Staff (FDA-2017-D-6569). 2022 Accessed July 18, 2023 at: https://www.fda.gov/regulatory-information/search-fda-guidance-documents/clinical-decision-support-software
- 16 Schulz S, Woerl AC, Jungmann F. et al. Multimodal Deep Learning for Prognosis Prediction in Renal Cancer. Front Oncol 2021; 11: 788740 DOI: 10.3389/fonc.2021.788740. (PMID: 34900744)
- 17 Chen RJ, Lu MY, Wang J. et al. Pathomic Fusion: An Integrated Framework for Fusing Histopathology and Genomic Features for Cancer Diagnosis and Prognosis. IEEE Trans Med Imaging 2022; 41: 757-770 DOI: 10.1109/TMI.2020.3021387. (PMID: 32881682)
- 18 Haferlach T, Schmidts I. The power and potential of integrated diagnostics in acute myeloid leukaemia. Br J Haematol 2020; 188: 36-48 DOI: 10.1111/bjh.16360. (PMID: 31808952)
- 19 Pei X, Zuo K, Li Y. et al. A Review of the Application of Multi-modal Deep Learning in Medicine: Bibliometrics and Future Directions. International Journal of Computational Intelligence Systems 2023; 16: 44 DOI: 10.1007/s44196-023-00225-6.