![pageSearch](/themes/hestia/images/page-search.webp)
Rilevazione della leucemia promielocitica acuta nel sangue periferico e nel midollo osseo con annotazione
![Jul 13, 2023](/themes/hestia/images/news-details-icon1.webp)
Rapporti scientifici volume 13, numero articolo: 2562 (2023) Citare questo articolo
2506 accessi
2 citazioni
12 Altmetrico
Dettagli sulle metriche
Sebbene l’ispezione al microscopio ottico degli strisci di sangue e degli aspirati di midollo osseo da parte di un ematologo sia un passo cruciale per stabilire la diagnosi di leucemia acuta, soprattutto in contesti con poche risorse dove altre modalità diagnostiche non sono disponibili, il compito rimane dispendioso in termini di tempo e soggetto a incoerenze umane. . Ciò ha un impatto soprattutto nei casi di leucemia promielocitica acuta (APL) che richiedono un trattamento urgente. L’integrazione dell’ematopatologia computazionale automatizzata nei flussi di lavoro clinici può migliorare la produttività di questi servizi e ridurre l’errore umano cognitivo. Tuttavia, un grave collo di bottiglia nell’implementazione di tali sistemi è la mancanza di annotazioni sufficienti sulle etichette morfologiche delle cellule per addestrare modelli di deep learning. Superiamo questo problema sfruttando le etichette diagnostiche dei pazienti per addestrare modelli scarsamente supervisionati che rilevano diversi tipi di leucemia acuta. Introduciamo un approccio di deep learning, Multiple Instance Learning for Leukciti Identification (MILLIE), in grado di eseguire analisi automatizzate e affidabili di strisci di sangue con una supervisione minima. Senza essere addestrato a classificare le singole cellule, MILLIE distingue tra leucemia linfoblastica acuta e mieloblastica negli strisci di sangue. Ancora più importante, MILLIE rileva l’APL negli strisci di sangue (AUC 0,94 ± 0,04) e negli aspirati di midollo osseo (AUC 0,99 ± 0,01). MILLIE è una soluzione praticabile per aumentare la produttività dei percorsi clinici che richiedono la valutazione della microscopia su striscio di sangue.
La valutazione morfologica dei leucociti da strisci di sangue periferico e aspirati di midollo osseo con obiettivo ad alta apertura numerica è un passo importante nella diagnosi di neoplasie ematopoietiche come la leucemia acuta1. Più specificamente, gli strisci di sangue devono essere sempre ispezionati in caso di leucocitosi inspiegabile o quando uno strumento automatizzato complementare suggerisce la presenza di blasti2. Allo stesso modo, l'ispezione dello striscio di sangue consente di differenziare tra linee mieloidi e linfoidi, il che è fondamentale per la selezione del trattamento3,4,5.
Sfortunatamente, l’esame delle pellicole di sangue periferico e di aspirato di midollo osseo dipende fortemente dalla disponibilità di personale addestrato, richiede molto tempo ed è soggetto a errori umani dovuti all’affaticamento e al sovraccarico cognitivo. L’emergere della patologia digitale ha presentato il potenziale per l’esame scalabile assistito dall’intelligenza artificiale di strisci di sangue periferico e aspirati di midollo osseo per il supporto alle decisioni diagnostiche6. Sebbene la patologia computazionale abbia mostrato potenzialità nel riprodurre il lavoro degli ematologi addestrando modelli di deep learning supervisionati all'avanguardia per riconoscere indicatori morfologici consolidati di leucemia7,8,9,10,11,12,13,14, una limitazione critica degli studi precedenti è che non si concentrano sulla differenziazione del tipo di leucemia, come la leucemia linfoblastica acuta (LLA) e la leucemia mieloide acuta (LMA). Inoltre, questi studi non hanno tentato di individuare casi di leucemia promielocitica acuta (APL) che giustifichino un trattamento di emergenza con un impatto sulla mortalità precoce e sulla prognosi15 mentre altre parti del percorso clinico che richiedono molto tempo sono in corso, se disponibili (ad esempio genetica, citochimica, citometria a flusso). Uno svantaggio altrettanto importante dei precedenti modelli completamente supervisionati7,9,13,16,17 è che richiedono centinaia di migliaia di annotazioni di celle a livello di oggetto fornite da esperti umani18 che non solo sono difficili da ottenere su larga scala ma sono anche suscettibili di incoerenze dovute alla soggettività e alla fatica cognitiva degli annotatori. Per superare queste limitazioni e fornire un sistema clinicamente rilevante che possa supportare, insieme alla valutazione clinica e ai parametri di laboratorio ausiliari, il trattamento tempestivo nei casi di APL, abbiamo progettato un approccio MILLIE (Multiple Instance Learning for Leukciti Identification). Il nostro framework di deep learning personalizzabile e privo di annotazioni sfrutta le etichette diagnostiche dei pazienti per addestrare modelli scarsamente supervisionati che rilevano diversi tipi di leucemia acuta. Sebbene i modelli di apprendimento a istanze multiple debolmente supervisionati19,20 addestrati con etichette diagnostiche siano stati precedentemente utilizzati per analizzare le immagini microscopiche nella biologia cellulare21,22 e nell'istopatologia computazionale del cancro23,24,25,26, ci sono stati pochi tentativi di applicare le loro capacità all'esame acuto percorso clinico della leucemia. I nostri risultati mostrano che, nonostante non sia stata addestrata a classificare le singole cellule, MILLIE può distinguere accuratamente tra leucemia linfoblastica acuta normale e leucemia mieloblastica acuta riconoscendo normali globuli bianchi, linfoblasti e cellule mieloidi immature negli strisci di sangue periferico. MILLIE è stata ugualmente in grado di distinguere gli aspirati di midollo osseo AML da quelli sani. MILLIE è stata anche in grado di rilevare promielociti sia negli strisci di sangue che negli aspirati di midollo osseo come indicatore di leucemia promielocitica acuta (APL).