An Interpretable AI Framework for Multiclass Classification of Thalassemia Using Combined CBC and HPLC Biomarkers

Thalassämie ist eine erbliche Bluterkrankung, die Millionen von Menschen auf der ganzen Welt betrifft, insbesondere in Südasien, Südostasien und dem Mittelmeerraum. Sie tritt auf, wenn der Körper nicht genügend Proteine produzieren kann, aus denen das Hämoglobin besteht – jene Substanz in den roten Blutkörperchen, die den Sauerstoff transportiert. Ohne genügend dieser Proteine hat der Körper Schwierigkeiten, gesunde rote Blutkörperchen zu bilden, was zu Anämie und einer Reihe anderer gesundheitlicher Komplikationen führt. Seit Jahrzehnten diagnostizieren Ärzte diesen Zustand, indem sie Blutproben unter einem Mikroskop untersuchen und spezialisierte Maschinen verwenden, um die verschiedenen Arten von Hämoglobin zu messen. Obwohl dieser Prozess genau ist, ist er kostspielig, zeitaufwendig und hängt stark vom Geschick des einzelnen Arztes ab, der die Ergebnisse liest. Infolgedessen ist es schwierig, große Bevölkerungsgruppen schnell zu untersuchen, insbesondere in Regionen, in denen die Krankheit am häufigsten vorkommt.

In den letzten Jahren haben Wissenschaftler die künstliche Intelligenz herangezogen, um diesen Prozess zu automatisieren. Die Idee ist, einem Computer beizubringen, die Muster in den Bluttestergebnissen zu erkennen, die auf Thalassämie hindeuten – ganz ähnlich wie ein erfahrener Arzt, aber mit der Geschwindigkeit und Konsistenz einer Maschine. Die Erstellung eines solchen Systems ist jedoch nicht einfach. Bluttests erzeugen eine riesige Menge an Daten, und die Muster für verschiedene Arten der Krankheit überschneiden sich oft. Zudem gibt es in jeder großen Gruppe von Menschen, die untersucht werden, die überwältigende Mehrheit der Gesunden, während nur ein winziger Bruchteil tatsächlich an der Krankheit leidet oder das genetische Merkmal trägt. Dies schafft eine schwierige Situation für Computerprogramme, die dazu neigen, die seltenen Fälle zu ignorieren und einfach zu raten, dass alle gesund sind, weil dies das ist, was die meiste Zeit der Fall ist.

Ein Team von Forschern der SR University und des Jyothishmathi Institute of Technology & Science in Indien hat ein neues Framework entwickelt, um diese spezifischen Probleme zu lösen. Sie haben ein Computersystem entwickelt, das darauf ausgelegt ist, zwei verschiedene Arten von Bluttestergebnissen gleichzeitig zu betrachten: ein Standard-Großblutbild, das die Größe und Anzahl der roten Blutkörperchen misst, und einen detaillierteren Test namens Hochleistungsflüssigkeitschromatographie, der die spezifischen Fraktionen des Hämoglobins trennt und misst. Durch die Kombination dieser zwei Informationsquellen zielten die Forscher darauf ab, ein Modell zu bauen, das nicht nur die Krankheit erkennen, sondern auch zwischen drei unterschiedlichen Gruppen unterscheiden kann: Menschen, die gesund sind, Menschen, die das genetische Merkmal tragen (und es an ihre Kinder weitergeben könnten), und Menschen, die die aktive, schwere Form der Krankheit haben.

Die Forscher begannen mit einem massiven Datensatz, der Aufzeichnungen von über 13.000 Patienten enthielt. Diese Sammlung umfasste detaillierte Messungen von neun Schlüssel-Blutmarkern sowie demografische Informationen wie Alter und Geschlecht. Die Daten waren stark verzerrt, wobei gesunde Individuen mehr als 90 Prozent der Datensätze ausmachten, während die schweren Krankheitsfälle weniger als einen halben Prozent auspeachten. Um dieses Ungleichgewicht zu bewältigen, bereinigte das Team zunächst die Daten, korrigierte Fehler in der Art und Weise, wie die Informationen aufgezeichnet wurden, und wandelte Altersbeschreibungen in einfache Zahlen um. Sie gruppierten dann die dreizehn verschiedenen diagnostischen Labels aus den ursprünglichen Aufzeichnungen in die drei benötigten breiteren Kategorien um. Entscheidend war, dass sie eine Technik anwandten, um künstlich mehr Beispiele der seltenen Krankheitsfälle innerhalb der Trainingsdaten zu erstellen, um sicherzustellen, dass der Computer lernte, diese genauso gut zu erkennen wie die häufigen gesunden Fälle.

Um den besten Weg zur Klassifizierung dieser Patienten zu finden, testete das Team vier verschiedene Arten von fortgeschrittenen maschinellen Lernalgorithmen. Die ersten beiden basierten auf Entscheidungsbäumen, einer Methode, bei der der Computer eine Serie von Ja-Nein-Fragen über die Blutwerte stellt, um zu einem Schluss zu gelangen. Der dritte war ein Deep-Learning-Modell, das speziell für tabellarische Daten entwickelt wurde und versucht, komplexe, nicht-lineare Beziehungen zwischen den Zahlen zu finden. Der vierte Ansatz war ein „Stacking“-Ensemble, das sich nicht auf einen einzelnen Algorithmus verließ, sondern stattdessen die Vorhersagen der anderen Modelle kombinierte, um eine endgültige Entscheidung zu treffen. Die Forscher ließen diese Modelle durch einen strengen Testprozess laufen und stellten sicher, dass die Daten, die den Computer lehrten, niemals dieselben Daten waren, die zum Testen des Computers verwendet wurden – ein Schritt, der notwendig ist, um zu beweisen, dass das System an neuen, unbekannten Patienten funktioniert.

Die Ergebnisse zeigten, dass der kombinierte Ansatz am effektivsten war. Das Stacking-Ensemble-Modell, das die Stärken der anderen Algorithmen bündelte, erreichte eine Genauigkeit von 99,89 Prozent bei der korrekten Identifizierung der drei Gruppen. Es identifizierte 94,7 Prozent der tatsächlichen Krankheits- und Trägerfälle, ein entscheidendes Maß in der Medizin, wo das Übersehen einer Diagnose schwerwiegende Folgen haben kann. Auch die anderen Modelle schnitten gut ab, wobei die auf Entscheidungsbäumen basierenden Modelle dicht auf dem zweiten Platz lagen, aber das kombinierte Modell übertraf sie alle konsequent. Die Forscher verwendeten zudem eine Methode, um genau zu verstehen, wie der Computer seine Entscheidungen trifft. Sie fanden heraus, dass das System am stärksten auf fünf spezifische Biomarker vertraute: das Niveau eines Hämoglobintyps namens HbA2, die durchschnittliche Größe der roten Blutkörperchen, die Menge des Hämoglobins innerhalb dieser Zellen, die Gesamtzahl der roten Blutkörperchen und das Niveau des fetalen Hämoglobins.

Diese Erkenntnisse sind signifikant, da sie perfekt mit dem etablierten medizinischen Wissen übereinstimmen. Ärzte wissen seit langem, dass erhöhte HbA2-Werte und kleinere als durchschnittliche rote Blutkörperchen die Kennzeichen von Thalassämie-Trägern sind, während Veränderungen des fetalen Hämoglobins oft schwerere Formen der Krankheit signalisieren. Die Tatsache, dass die künstliche Intelligenz unabhängig von diesen Faktoren als die wichtigsten identifiziert hat, gibt Ärzten das Vertrauen, dass das System nicht nur rät, sondern tatsächlich die biologischen Regeln der Krankheit lernt. Die Studie hob auch hervor, dass Deep-Learning-Modelle zwar leistungsstark sind, aber möglicherweise noch größere Datensätze benötigen, um die traditionelleren Entscheidungsbaum-Methoden bei der Arbeit mit strukturierten medizinischen Daten zu übertreffen.

Die Forscher räumen ein, dass ihr System noch keine perfekte Lösung für jede Situation ist. Die Daten stammten aus einer einzigen Region in Indien, und die genetischen Muster der Krankheit können in anderen Teilen der Welt variieren. Zudem ist das System komplex, und das genaueste Modell ist schwerer zu erklären als ein einzelner Entscheidungsbaum. Dennoch zeigt die Studie, dass es möglich ist, ein hochpräzises, automatisiertes Screening-Tool zu entwickeln, das mit der unordentlichen Realität realer medizinischer Daten umgehen kann. Durch die Kombination verschiedener Arten von Bluttests und die Verwendung einer intelligenten Kombination von Computer-Algorithmen bietet dieses Framework einen vielversprechenden Weg für ein schnelleres, zuverlässigeres Screening auf Thalassämie und könnte potenziell dazu beitragen, Träger und Patienten früher und effektiver zu identifizieren, als es die derzeitigen Methoden erlauben.