Automated Bone Marrow Cellularity Estimation from Whole-Slide Images Using Deep Learning: Validation in an Indian Clinical Cohort
Diese Studie stellt AiSAP vor, ein Deep-Learning-Framework, das durch eine duale Mask R-CNN-Architektur eine fachliche Genauigkeit bei der automatischen Schätzung der Knochenmarkzellularität aus Ganzschnittbildern erreicht, validiert an einer unterrepräsentierten indischen klinischen Kohorte.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine Welt vor, in der Ärzte winzige Gewebeschnitte unter einem Mikroskop betrachten müssen, um herauszufinden, warum ein Patient krank ist. Es ist, als würde man versuchen, ein paar spezifische, winzige Spielzeuge zu finden, die in einer riesigen, unordentlichen Kiste voller Sand versteckt sind. Genau das passiert, wenn Ärzte das Knochenmark eines Patienten untersuchen, das schwammartige Gewebe in unseren Knochen, in dem die Blutzellen entstehen. Um ernsthafte Erkrankungen wie Leukämie oder Anämie zu diagnostizieren, müssen sie die „Zellularität“ des Marks bestimmen: wie viel des Raums mit blutbildenden Zellen im Vergleich zu Fettzellen gefüllt ist. Momentan muss ein menschlicher Experte auf ein Glasobjektekt starren, die Zellen zählen und den Prozentsatz schätzen. Das ist langsam, ermüdend, und zwei verschiedene Experten könnten denselben Schliff betrachten und leicht unterschiedliche Antworten geben. Hier kommt Künstliche Intelligenz (KI) ins Spiel. Betrachten Sie die KI als einen superschnellen, unermüdlichen Roboter-Assistenten, der das digitale Bild eines ganzen Objektträgers betrachten und die Zählung für uns übernehmen kann. Aber damit dieser Roboter funktioniert, muss er lernen, den Unterschied zwischen einer Blutzelle und einer Fettzelle zu erkennen, und er muss an echten Menschen getestet werden, um sicherzustellen, dass er nicht verwirrt wird.
Dieses Papier stellt einen neuen Roboter-Assistenten namens AiSAP (Artificial Intelligence Slide Analysis Platform) vor. Das Team hinter ihm wollte ein System entwickeln, das ein rohes, riesiges digitales Foto einer Knochenmarkbiopsie betrachten und automatisch genau angeben kann, wie „voll“ es mit Blutzellen ist. Anstatt nur auf ein winziges, vorab ausgewähltes Quadrat des Bildes zu schauen, betrachtet AiSAP den gesamten Schliff, findet die richtigen Teile und erledigt die Mathematik. Sie trainierten diese KI mit Daten von 170 echten Patienten aus Indien, einer Gruppe, die in bisherigen Computerprogrammen kaum verwendet wurde. Die Ergebnisse sind vielversprechend: Die Schätzungen der KI waren fast so gut wie die der menschlichen Experten. Tatsächlich stimmten die Zahlen der KI, wenn man sie mit dem Durchschnitt von zwei menschlichen Ärzten verglich, mit einer Korrelation von 0,95 überein (was sehr nah an einem perfekten 1,0 liegt). Die KI neigte dazu, die Zellzahl etwas höher einzuschätzen als die Menschen – etwa 7 % bis 8 % höher –, aber das Muster war so konsistent, dass die Autoren vermuten, dass dies bedeuten könnte, dass die KI winzige Zellen entdeckt, die Menschen bei einem schnellen Blick übersehen könnten.
Das Geheimrezept von AiSAP ist, dass es in zwei Schritten arbeitet, wie ein Team aus zwei spezialisierten Detektiven. Zuerst scannt Modell-1 den gesamten Schliff und zeichnet einen Kasten um die „interessanten“ Teile, wobei es das eigentliche Knochenmarkgewebe von dem Knochen selbst, Blutgerinnseln oder jeglichen störenden Artefakten trennt, die während der Präparation des Schliffs entstanden sind. Es ist wie ein Detektiv, der sagt: „Okay, ignoriere die Steine und den Dreck; lassen Sie uns auf das Viertel konzentrieren, in dem die Menschen leben.“ Dann zoomt Modell-2 in dieses Viertel hinein und sucht gezielt nach den Fettzellen (Adipozyten), die wie klare, leere Blasen aussehen. Sobald die KI weiß, wie viel Platz durch Fett eingenommen wird und wie viel Platz durch das restliche Gewebe eingenommen wird, nutzt sie eine einfache Formel, um den Prozentsatz der Zellularität zu berechnen.
Die Forscher testeten fünf verschiedene „Gehirne“ (genannt Backbones) für ihre KI, um zu sehen, welches am besten funktioniert. Sie fanden heraus, dass einige Gehirne besser darin waren, einzelne Objekte zu entdecken, während andere besser darin waren, den endgültigen Prozentsatz korrekt zu bestimmen. Der beste Performer, der eine spezifische Architektur namens X101_FPN nutzte, erreichte einen Wert namens Lin's Concordance Correlation Coefficient von 0,882, was bedeutet, dass seine Übereinstimmung mit den menschlichen Experten sehr stark war. Ein anderes Gehirn, R50_C4, war am besten darin, die genaue Rangfolge der Fälle abzubilden, mit einer Korrelation von 0,948.
Die Autoren sind jedoch vorsichtig, das Problem nicht als „gelöst“ zu bezeichnen. Sie weisen darauf hin, dass die KI noch mehr Tests benötigt. Sie wurde nur mit Schliffe von einem spezifischen Krankenhaus in Indien trainiert und getestet. Wenn sich die Art und Weise, wie die Schnitte gefärbt oder geschnitten werden, in einem anderen Krankenhaus ändert, könnte die KI verwirrt werden. Sie geben auch zu, dass die KI manchmal zerdrückten Knochen oder dichtes Narbengewebe mit lebenden Zellen verwechselt, wesurch sie die Zellzahl leicht überschätzt. Trotz dieser kleinen Stolpersteine zeigt die Studie, dass dieser zweistufige KI-Ansatz ein riesiger Schritt nach vorn ist. Sie legt nahe, dass wir Werkzeuge bauen können, die Pathologen helfen, schneller und konsistenter zu arbeiten, wodurch die Chance verringert wird, dass eine Diagnose davon abhängt, wer gerade auf den Schliff blickt. Die Autoren kommen zu dem Schluss, dass AiSAP zwar noch nicht bereit ist, Ärzte zu ersetzen, aber ein leistungsstarkes neues Werkzeug ist, das in vielen mehr Krankenhäusern auf der ganzen Welt getestet werden sollte.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.