🤖 machine learning

KAYRA: A Microservice Architecture for AI-Assisted Karyotyping with Cloud and On-Premise Deployment

Dit artikel introduceert KAYRA, een gecontaineriseerde microservice-architectuur voor door AI ondersteunde karyotypering die een gekaskedeerde deep learning-pijplijn combineert met flexibele cloud- of on-premise-implementatie, en statistisch significante verbeteringen in segmentatie- en classificatie-nauwkeurigheid ten opzichte van bestaande commerciële systemen demonstreert in een piloot klinische evaluatie.

Oorspronkelijke auteurs: Attila Pintér, Javier Rico, Attila Répai, Jalal Al-Afandi, Adrienn Éva Borsy, András Kozma, Hajnalka Andrikovics, György Cserey

Gepubliceerd 2026-04-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Attila Pintér, Javier Rico, Attila Répai, Jalal Al-Afandi, Adrienn Éva Borsy, András Kozma, Hajnalka Andrikovics, György Cserey

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een ziekenhuislaboratorium voor waar wetenschappers een rommelige stapel kleine, verwarde draden (chromosomen) moeten sorteren om de genetische gezondheid te controleren. Dit proces, genaamd karyotypie, is als proberen een knoop van kerstverlichting los te maken terwijl je blinddoek hebt, en ze vervolgens te sorteren op kleur en formaat. Traditioneel doen hoogopgeleide experts dit handmatig, wat 30 tot 90 minuten per patiënt kost. Het is traag, duur en het is moeilijk genoeg experts te vinden om het te doen.

KAYRA is een nieuw softwaresysteem dat is ontworpen om te fungeren als een "super-assistent" voor deze experts. Het gebruikt kunstmatige intelligentie om het zware werk te doen, maar het is op een zeer specifieke manier gebouwd om te passen in echte ziekenhuizen.

Hieronder wordt uitgelegd hoe KAYRA werkt, via eenvoudige analogieën:

1. De "Zwitsers zakmes" van software (Microservices)

De meeste software is als een gigantische, zware gereedschapskist waarin, als één gereedschap kapot gaat, de hele kist onbruikbaar is. KAYRA is anders. Het is gebouwd als een modulaire keuken.

In plaats van één grote robot die alles doet, bestaat KAYRA uit kleine, onafhankelijke "chefs" (microservices) die in een lijn werken.
De ene chef snijdt het groente (vindt de chromosomen), de andere hakken ze (scheidt ze), een derde sorteert ze op type, en een vierde rangschikt ze op een bord.
Waarom dit belangrijk is: Als de "hakken"-chef vastloopt, kan de "sorteer"-chef toch blijven werken met wat hij heeft. Het systeem crasht niet; het geeft de menselijke expert gewoon een deeltresultaat om op te lossen. Dit is cruciaal in een ziekenhuis waar je het niet kunt veroorloven dat de machine gewoon stopt met werken.

2. De "Inzoom"-strategie (Cascaded ROI)

Kijken naar een hele microscoopplaat om chromosomen te vinden, is als proberen een specifieke naald in een hooiberg te vinden door naar de hele schuur te kijken. Het is te veel informatie.

Stap 1 (De Otsu-filter): KAYRA neemt eerst een snelle, wazige blik op het hele beeld om het "hooiberg"-gebied te vinden. Het negeert de lege ruimte.
Stap 2 (De U-Net-verfijner): Het zoomt vervolgens dichter in, met behulp van een slimme filter om de randen op te schonen en precies te definiëren waar de chromosomen zijn.
Stap 3 (De Mask R-CNN): Tot slot zoomt het strak in op alleen de chromosomen. Nu hoeft de AI niet te raden; het hoeft alleen de verwarde draden van elkaar te scheiden.
Het voordeel: Door stap voor stap de focus te verengen, maakt de AI minder fouten omdat het niet wordt afgeleid door de achtergrond.

3. De "Dubbele-deur"-implementatie (Cloud versus On-Premise)

Ziekenhuizen hebben strenge regels over patiëntgegevens. Sommigen kunnen gegevens naar de "cloud" (het internet) sturen, maar anderen niet omdat de gegevens binnen het gebouw moeten blijven.

KAYRA is als een universele koffer. Het is zo verpakt dat het in twee verschillende kamers uitgepakt en uitgevoerd kan worden:
- De Cloud-kamer: Het draait op krachtige, externe servers (zoals een hotel).
- De On-Premise-kamer: Het draait op een lokale computer binnen het ziekenhuis (zoals een thuisbureau).
De "koffer" (de softwarecode) is in beide kamers exact hetzelfde. Dit betekent dat ziekenhuizen die streng zijn over privacy toch dezelfde krachtige AI kunnen gebruiken als diegenen die dat niet zijn.

4. De "Mens-in-de-lus"-review

KAYRA vervangt de menselijke expert niet; het fungeert als een tekenaar.

De AI doet de initiële sortering en labeling.
Vervolgens kijkt een menselijke expert naar het scherm. Ze kunnen het werk van de AI zien en fouten eenvoudig corrigeren: "Nee, dat is niet chromosoom 5, het is chromosoom 10," of "Deze twee zitten vast, scheid ze alsjeblieft."
Het systeem onthoudt elke verandering die de mens maakt, waardoor een perfecte geschiedenis ontstaat van hoe het eindresultaat tot stand is gekomen.

5. De resultaten: Hoe goed is het?

De onderzoekers testten KAYRA tegen twee andere systemen (één oud, één modern) met behulp van 459 chromosomen uit 10 patiëntstalen.

Het scheiden van de draden: KAYRA had het 98,9% van de tijd goed. Het oude systeem had het slechts 40% van de tijd goed, en de moderne AI-concurrent had het 78% van de tijd goed.
Sorteren op type: KAYRA identificeerde het chromosoomtype 89,1% van de tijd correct. Dit was beter dan het oude systeem (54,5%) en iets beter dan de moderne AI (86,9%), hoewel het verschil met de moderne AI nog niet statistisch groot was.
Oriëntatie: KAYRA had de rotatie 89,7% van de tijd goed. Het was beter dan het oude systeem, maar iets achter op de moderne AI (94,5%).

De conclusie

Het belangrijkste punt van dit artikel is dat je een krachtig, complex AI-systeem voor de geneeskunde kunt bouwen dat voldoende flexibel is om overal te werken (cloud of lokaal) en voldoende robuust is om fouten op te vangen zonder te crashten. Het bewijst dat een meerstaps AI-pijplijn verpakt kan worden in een betrouwbare dienst die artsen helpt sneller en nauwkeuriger te werken, terwijl de menselijke expert toch de leiding houdt over de uiteindelijke beslissing.

Opmerking: Het artikel stelt dat dit systeem momenteel een volwassenheidsgraad van "TRL 6" heeft, wat betekent dat het is aangetoond in een relevante omgeving (een pilotstudie), maar nog wordt voorbereid voor volledige goedkeuring door regelgevende instanties (zoals FDA of CE-markering) voor wijdverbreid klinisch gebruik.

1. Probleemstelling

Karyotypering is een kritische klinische diagnostische procedure die bestaat uit het visueel identificeren, ordenen en paren van menselijke chromosomen uit G-gebandeerde metafase-microscopieafbeeldingen. Het is essentieel voor prenatale screening, oncologie (bijvoorbeeld het detecteren van de Philadelphia-translocatie) en de diagnose van erfelijke ziekten.

Huidige Uitdagingen: Het proces is momenteel handmatig, tijdrovend (30–90 minuten per geval) en afhankelijk van een schaars personeelsbestand van hoogopgeleide cytogenetici.
Kloof in Systeemtechniek: Hoewel deep learning-modellen (bijvoorbeeld Mask R-CNN, U-Net) hoge nauwkeurigheid hebben aangetoond in segmentatie en classificatie, ontbreekt het aan robuuste systeemtechnische oplossingen. Er is specifiek behoefte aan een implementeerbare klinische dienst die:
- Multi-model pijplijnen (detectie, segmentatie, classificatie) aankan.
- Werkt binnen strikte klinische beperkingen (residentie van patiëntgegevens, flexibiliteit tussen on-premise en cloud).
- Een "mens-in-de-lus"-workflow integreert voor expertreview.

2. Methodologie: Het KAYRA-systeem

KAYRA is een end-to-end karyotyperingssysteem dat is ontworpen als een gecontaineriseerde microservice-pijplijn. Het is ontworpen om deploy-agnostisch te zijn, waarbij identieke containerimages worden uitgevoerd in zowel cloud-omgevingen (managed Kubernetes) als on-premise-omgevingen (Docker Compose).

A. Systeemarchitectuur

Het systeem decomposeert de workflow in microservices met één verantwoordelijkheid die communiceren via HTTP/REST:

Pipeline-Orchestrator: Coördineert de stroom per afbeelding. Het implementeert gedegradeerde werking: als een upstream-service faalt, slaat de pijplijn die fase over en retourneert het gedeeltelijke resultaten in plaats van volledig te falen, waardoor de bruikbaarheid voor de cytogeneticus gewaarborgd blijft.
Modelservices:
1. Semantische Segmentatie: EfficientNet-B5 + U-Net.
2. Instance-detectie: Mask R-CNN (ResNet-50 + FPN).
3. Oplossing van Dubbele/Overlappende Elementen: Een dedicated logistieke fase.
4. Classificatie + Rotatie: ResNet-18-classificator.
Backend: Verwerkt afbeeldingsingestie, asynchrone taakwachtlijsten, interactieve bewerkings-API's en ISCN-conforme karyogram-synthese.
Frontend: Ondersteunt interactieve expertreview (splitsen, samenvoegen, herbekijken, roteren van chromosomen) met volledige audittrails.

B. De Cascaderende ROI-Verfijning-pijplijn

Een kerninnovatie is de cascaderende Region of Interest (ROI)-strategie, die een "divide-and-conquer"-benadering toepast om overlappende chromosomen te hanteren en de rekenlast te verminderen:

Otsu Pre-filter: De originele afbeelding (bijvoorbeeld 1830×1830) wordt gedownsampt, binaire gemaakt met de methode van Otsu en samenhangende componenten worden gelabeld om een ruwe crop (crop1) te creëren.
Semantische Verfijning: crop1 wordt verkleind naar 992×992 en verwerkt door een U-Net (EfficientNet-B5 backbone) om een 3-klassen masker te genereren (achtergrond, chromosoom, overlap).
Strakke ROI-extractie: Het niet-nul gebied van het U-Net-masker definieert een strakkere crop (crop2) in de originele resolutie.
Instance-segmentatie: Mask R-CNN draait alleen op crop2 (op hoeken van 0° en 45°) om individuele chromosomen te detecteren en pixel-precieze maskers te genereren.
Classificatie: Gedetecteerde chromosomen worden ingeknipt en doorgestuurd naar een ResNet-18-classificator voor het bepalen van het chromosoomtype (1–22, X, Y) en het schatten van de rotatiehoek.

Waarom de Cascade Belangrijk Is:

Efficiëntie: Mask R-CNN verwerkt een ~34% kleiner pixeloppervlak, wat de RPN-proposal-last vermindert.
Stabiliteit: Vaste invoergroottes (992×992) stabiliseren geheugenprofielen en batching.
Nauwkeurigheid: Elk model ziet alleen de data waarvoor het het best geschikt is (bijvoorbeeld verwijdert U-Net achtergrondruis voordat Mask R-CNN probeert overlappingen te scheiden).

C. Trainingsdata

Modellen zijn getraind op een gecombineerde dataset van ongeveer 24.000 door experts geannoteerde karyogrammen, inclusief:

Perifeer bloed- en beenmergmonsters.
Structureel abnormale gevallen (translocaties, deleties).
Specifieke aberraties (bijvoorbeeld t(9;22) Philadelphia-chromosoom).
Data van commerciële platforms voor cross-leveranciersrobustheid.
Privacy: Datapartitionering gebeurt op het niveau van patiëntidentificatie om lekkage tussen trainings-/validatie-/testsets te voorkomen.

3. Belangrijkste Bijdragen

Microservice-architectuur: Een flexibel, gecontaineriseerd systeem dat zowel cloud- als on-premise-deployments ondersteunt, en zo voldoet aan de kritieke vereiste van patiëntgegevensresidentie.
Cascaderende ROI-pijplijn: Een innovatieve technische aanpak die Otsu-pre-cropping, semantische verfijning met U-Net en instance-segmentatie met Mask R-CNN koppelt om de prestaties bij overlappende chromosomen te verbeteren.
Klinische Validatie: Een rigoureuze pilotstudie die KAYRA vergelijkt met twee commerciële referentiesystemen (één met dichtheidsdrempelstelling, één moderne AI) op echte klinische data.
Integratie van Mens-in-de-Lus: Een workflow ontworpen voor klinische adoptie, waarbij cytogenetici AI-outputs kunnen corrigeren met volledige versiebeheer en auditing.

4. Resultaten

Het systeem werd geëvalueerd op 459 chromosomen uit 10 metafasespreidingen (7 normaal, 3 abnormaal) tegen twee commerciële referenties.

Metriek	KAYRA	Ref 2 (Moderne AI)	Ref 1 (Dichtheidsdrempel)	Statistische Significantie (KAYRA vs. Ref 1)
Segmentatienauwkeurigheid	98,91%	78,21%	40,52%	$p < 0,0001$
Classificatienauwkeurigheid	89,1%	86,9%	54,5%	$p < 0,0001$
Rotatienauwkeurigheid	89,76%	94,55%	78,43%	$p < 0,0001$

Segmentatie: KAYRA presteerde significant beter dan beide referenties en sneed 454/459 chromosomen correct. Het verminderde opmerkelijk "samengevoegde" fouten in vergelijking met Referentie 2.
Classificatie: KAYRA behaalde 89,1% nauwkeurigheid, wat significant beter was dan de oudere Referentie 1. Het verschil met Referentie 2 (86,9%) was niet statistisch significant ( $p=0,34$ ) gezien de steekproefomvang, hoewel KAYRA superieure prestaties liet zien bij middelgrote B- en C-groepen.
Rotatie: KAYRA liep licht achter op Referentie 2 (89,76% versus 94,55%), wat is geïdentificeerd als een verbeterpunt via trainingsdataverrijking.
Robuustheid: KAYRA presteerde beter op technisch moeilijke beenmergmonsters (93,5% nauwkeurigheid) dan op perifeer bloed (86,5%), waarschijnlijk vanwege de trainingsdistributie.

5. Betekenis en Conclusie

Klinische Klaarheid: KAYRA heeft TRL 6 (Technology Readiness Level 6) bereikt, wat een gevalideerd prototype in een relevante omgeving aantoont.
Deploy-flexibiliteit: De architectuur bewijst dat complexe multi-model AI-pijplijnen kunnen worden verpakt om te voldoen aan strikte klinische datagovernance (on-premise) zonder afbreuk te doen aan de schaalbaarheid van cloud-deployments.
Toekomstig Werk: Het systeem is backbone-agnostisch, waardoor toekomstige upgrades naar transformer-gebaseerde modellen (bijvoorbeeld Mask2Former) mogelijk zijn zonder een volledige architecturale herziening. Geplande volgende stappen omvatten validatie op meerdere centra, het verbeteren van rotatienauwkeurigheid en het aanpakken van de ondervertegenwoordiging van het Y-chromosoom.

Conclusie: KAYRA overbrugt succesvol de kloof tussen academische deep learning-modellen en implementeerbare klinische cytogenetische diensten, en biedt een robuuste, flexibele en zeer nauwkeurige oplossing die naadloos integreert in bestaande expertwerkstromen.