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

Thalassemie is een erfelijke bloedziekte die miljoenen mensen wereldwijd treft, met name in Zuid-Azië, Zuidoost-Azië en de Middellandse Zee. Het komt voor wanneer het lichaam niet genoeg van de eiwitten kan produceren die de hemoglobine vormen, de stof in rode bloedcellen die zuurstof transporteert. Zonder voldoende van deze eiwitten heeft het lichaam moeite om gezonde rode bloedcellen aan te maken, wat leidt tot anemie en een reeks andere gezondheidsproblemen. Decennialang hebben artsen deze aandoening gediagnosticeerd door bloedmonsters onder een microscoop te onderzoeken en gespecialiseerde machines te gebruiken om de verschillende typen hemoglobine te meten. Hoewel dit nauwkeurig is, is dit proces duur, tijdrovend en sterk afhankelijk van de vaardigheid van de individuele arts die de resultaten interpreteert. Hierdoor is het moeilijk om grote populaties snel te screenen, vooral in regio's waar de ziekte het meest voorkomt.

In de afgelopen jaren hebben wetenschappers zich tot kunstmatige intelligentie gewend om dit proces te automatiseren. Het idee is om een computer te leren de patronen in bloedtestresultaten te herkennen die op thalassemie wijzen, net zoals een ervaren arts dat doet, maar dan met de snelheid en consistentie van een machine. Het creëren van een dergelijk systeem is echter niet eenvoudig. Bloedtesten produceren een enorme hoeveelheid gegevens, en de patronen voor verschillende soorten van de ziekte overlappen elkaar vaak. Bovendien is in elke grote groep mensen die gescreend wordt, de grote meerderheid gezond, terwijl slechts een fractie daadwerkelijk de ziekte heeft of het genetische kenmerk draagt. Dit creëert een moeilijke situatie voor computerprogramma's, die de zeldzame gevallen de neiging hebben te negeren en simpelweg raden dat iedereen gezond is, omdat dat meestal het geval is.

Een team onderzoekers van de SR University en het Jyothishmathi Institute of Technology & Science in India heeft een nieuw framework ontwikkeld om deze specifieke problemen op te lossen. Ze hebben een computersysteem ontwikkeld dat ontworpen is om twee verschillende soorten bloedtestresultaten gelijktijdig te bekijken: een standaard volledig bloedbeeld, dat de grootte en het aantal rode bloedcellen meet, en een uitgebreidere test genaamd high-performance liquid chromatography, die de specifieke fracties van hemoglobine scheidt en meet. Door deze twee bronnen van informatie te combineren, streefden de onderzoekers ernaar een model te bouwen dat niet alleen de ziekte kon detecteren, maar ook onderscheid kon maken tussen drie duidelijke groepen: mensen die gezond zijn, mensen die het genetische kenmerk dragen (en dit aan hun kinderen kunnen doorgeven), en mensen die de actieve, ernstige vorm van de ziekte hebben.

De onderzoekers begonnen met een enorme dataset die gegevens bevat van meer dan 13.000 patiënten. Deze collectie omvatte gedetailleerde metingen van negen belangrijke bloedmarkers, samen met demografische informatie zoals leeftijd en geslacht. De data was sterk scheef verdeeld, waarbij gezonde individuen meer dan 90 procent van de records vormden, terwijl de ernstige gevallen van de ziekte minder dan een half procent bedroegen. Om dit evenwicht te behandelen, heeft het team de data eerst opgeschoond door fouten in de registratie van de informatie te herstellen en leeftijdsbeschrijvingen om te zetten in eenvoudige getallen. Vervolgens groepeerden ze de dertien verschillende diagnostische labels uit de oorspronkelijke records in de drie bredere categorieën die nodig waren voor hun systeem. Cruciaal was dat ze een techniek gebruikten om kunstmatig meer voorbeelden van de zeldzame ziektegevallen binnen de trainingsdata te creëren, zodat de computer leerde de zeldzame gevallen net zo goed te herkennen als de algemene gezonde gevallen.

Om de beste manier te vinden om deze patiënten te classificeren, testte het team vier verschillende soorten geavanceerde computerleer-algoritmen. De eerste twee waren gebaseerd op beslissingsbomen, een methode waarbij de computer een reeks ja-of-nee-vragen over de bloedwaarden stelt om tot een conclusie te komen. Het derde was een deep learning-model dat specifiek is ontworpen voor tabulaire data, dat probeert complexe, niet-lineaire relaties tussen de getallen te vinden. De vierde benadering was een "stacking" ensemble, die niet vertrouwde op één enkel algoritme, maar in plaats daarvan de voorspellingen van de andere modellen combineerde om tot een definitieve beslissing te komen. De onderzoekers lieten deze modellen een rigoureus testproces doorlopen, waarbij ze ervoor zorgden dat de data die werd gebruikt om de computer te onderwijzen nooit dezelfde data was die werd gebruikt om te testen; een stap die noodzakelijk is om te bewijzen dat het systeem werkt op nieuwe, ongeziene patiënten.

De resultaten toonden aan dat de gecombineerde aanpak het meest effectief was. Het stacking ensemble-model, dat de sterke punten van de andere algoritmen samenbracht, behaalde een nauwkeurigheid van 99,89 procent in het correct identificeren van de drie groepen. Het identificeerde 94,7 procent van de werkelijke ziekte- en dragergevallen, een cruciaal aspect in de geneeskunde waar het missen van een diagnose ernstige gevolgen kan hebben. De andere modellen presteerden ook goed, waarbij de modellen gebaseerd op beslissingsbomen vlak erachter kwamen, maar het gecombineerde model presteerde consequent beter dan hen allemaal. De onderzoekers gebruikten ook een methode om te begrijpen hoe de computer precies zijn beslissingen neemt. Ze ontdekten dat het systeem het meest zwaar leunde op vijf specifieke biomarkers: het niveau van een type hemoglobine genaamd HbA2, de gemiddelde grootte van de rode bloedcellen, de hoeveelheid hemoglobine in die cellen, de totale telling van de rode bloedcellen en het niveau van foetaal hemoglobine.

Deze bevindingen zijn significant omdat ze perfect aansluiten bij de gevestigde medische kennis. Artsen weten al lang dat verhoogde niveaus van HbA2 en kleinere dan gemiddelde rode bloedcellen de kenmerken zijn van thalassemiedragers, terwijl veranderingen in foetaal hemoglobine vaak ernstigere vormen van de ziekte signaleren. Het feit dat de kunstmatige intelligentie onafhankelijk van deze factoren als de belangrijkste heeft geïdentificeerd, geeft artsen het vertrouwen dat het systeem niet zomaar gokt, maar daadwerkelijk de biologische regels van de ziekte leert. De studie benadrukte ook dat hoewel deep learning-modellen krachtig zijn, ze mogelijk nog grotere datasets nodig hebben om traditionele beslissingsboom-methoden te overtreffen bij het werken met gestructureerde medische data.

De onderzoekers erkennen dat hun systeem nog niet een perfecte oplossing is voor elke situatie. De data kwam uit één specifieke regio in India, en de genetische patronen van de ziekte kunnen variëren in andere delen van de wereld. Daarnaast is het systeem complex, en is het meest nauwkeurige model moeilijker uit te leggen dan een enkele beslissingsboom. Desalniettemin toont de studie aan dat het mogelijk is om een zeer nauwkeurige, geautomatiseerde screeningsmethode te bouwen die kan omgaan met de rommelige realiteit van echte medische gegevens. Door verschillende soorten bloedtesten te combineren en een slimme combinatie van computeralgoritmen te gebruiken, biedt dit framework een veelbelovende weg naar snellere, betrouwbaardere screening voor thalassemie, wat potentieel helpt om dragers en patiënten eerder en effectiever te identificeren dan de huidige methoden toelaten.