![pageSearch](/themes/hestia/images/page-search.webp)
Выявление острого промиелоцитарного лейкоза в периферической крови и костном мозге с аннотацией
![Jul 13, 2023](/themes/hestia/images/news-details-icon1.webp)
Научные отчеты, том 13, Номер статьи: 2562 (2023) Цитировать эту статью
2506 Доступов
2 цитаты
12 Альтметрика
Подробности о метриках
Хотя исследование гематологом мазков крови и аспиратов костного мозга с помощью оптической микроскопии является решающим шагом в установлении диагноза острого лейкоза, особенно в условиях ограниченных ресурсов, где другие диагностические методы недоступны, эта задача по-прежнему требует много времени и подвержена человеческим несоответствиям. . Это особенно важно в случаях острого промиелоцитарного лейкоза (ОПЛ), требующего срочного лечения. Интеграция автоматизированной компьютерной гематопатологии в клинические рабочие процессы может повысить производительность этих услуг и уменьшить когнитивные ошибки человека. Однако основным узким местом при развертывании таких систем является отсутствие достаточного количества аннотаций меток объектов морфологии клеток для обучения моделей глубокого обучения. Мы преодолеваем эту проблему, используя диагностические метки пациентов для обучения моделей со слабым контролем, которые выявляют различные типы острого лейкоза. Мы представляем подход глубокого обучения — множественное обучение для идентификации лейкоцитов (MILLIE), позволяющий выполнять автоматизированный надежный анализ мазков крови с минимальным контролем. Не будучи обученным классифицировать отдельные клетки, МИЛЛИ различает острый лимфобластный и миелобластный лейкоз в мазках крови. Что еще более важно, MILLIE обнаруживает APL в мазках крови (AUC 0,94 ± 0,04) и в аспиратах костного мозга (AUC 0,99 ± 0,01). MILLIE — это эффективное решение для увеличения пропускной способности клинических методов, требующих оценки микроскопии мазков крови.
Морфологическая оценка лейкоцитов из мазков периферической крови и аспиратов костного мозга под объективом с высокой числовой апертурой является важным шагом в диагностике злокачественных заболеваний кроветворения, таких как острый лейкоз1. В частности, мазки крови всегда необходимо проверять в случае необъяснимого лейкоцитоза или когда дополнительный автоматизированный инструмент предполагает наличие бластов2. Точно так же исследование мазка крови позволяет дифференцировать миелоидные и лимфоидные линии, что имеет решающее значение для выбора лечения3,4,5.
К сожалению, исследование пленок периферической крови и аспиратов костного мозга во многом зависит от наличия обученного персонала, требует много времени и подвержено человеческим ошибкам из-за усталости и когнитивной перегрузки. Появление цифровой патологии открыло потенциал для масштабируемого исследования мазков периферической крови и аспиратов костного мозга с помощью искусственного интеллекта для принятия диагностических решений6. Хотя вычислительная патология продемонстрировала потенциал в воспроизведении работы гематологов путем обучения современных контролируемых моделей глубокого обучения для распознавания хорошо установленных морфологических показателей лейкемии7,8,9,10,11,12,13,14, это является критическим ограничением. Из предыдущих исследований заключается в том, что они не фокусируются на дифференциации типа лейкоза, такого как острый лимфобластный лейкоз (ОЛЛ) и острый миелоидный лейкоз (ОМЛ). Кроме того, в этих исследованиях не предпринимались попытки выявить случаи острого промиелоцитарного лейкоза (ОПЛ), который требует неотложного лечения, влияющего на раннюю смертность и прогноз15, в то время как другие трудоемкие этапы клинического пути, если они доступны, продолжаются (например, генетика, цитохимия, проточная цитометрия). Не менее важным недостатком предыдущих полностью контролируемых моделей7,9,13,16,17 является то, что они требуют сотен тысяч аннотаций ячеек на уровне объекта, предоставляемых экспертами18, которые не только трудно получить в масштабе, но также подвержены несоответствиям из-за к субъективности и когнитивной усталости комментаторов. Чтобы преодолеть эти ограничения и предоставить клинически значимую систему, которая могла бы поддерживать, вместе с клинической оценкой и вспомогательными лабораторными параметрами, оперативное лечение в случаях ОПЛ, мы разработали подход множественного обучения для идентификации лейкоцитов (MILLIE). Наша настраиваемая система глубокого обучения без аннотаций использует диагностические метки пациентов для обучения моделей со слабым контролем, которые выявляют различные типы острого лейкоза. Хотя модели множественного обучения со слабым контролем19,20, обученные с помощью диагностических меток, ранее использовались для анализа микроскопических изображений в клеточной биологии21,22 и в компьютерной гистопатологии рака23,24,25,26, было предпринято мало попыток применить их возможности в острых случаях. Клинический путь лейкоза. Наши результаты показывают, что, несмотря на то, что МИЛЛИ не обучен классифицировать отдельные клетки, он может точно различать нормальный острый лимфобластный лейкоз и острый миелобластный лейкоз, распознавая нормальные лейкоциты, лимфобласты и незрелые миелоидные клетки в мазках периферической крови. МИЛЛИ в равной степени смогла отличить аспираты костного мозга ОМЛ от здоровых. МИЛЛИ также смогла обнаружить промиелоциты как в мазках крови, так и в аспиратах костного мозга как индикатор острого промиелоцитарного лейкоза (ОПЛ).