Autentificare
Dacă ești abonat medichub.ro, autentificarea se face cu adresa de E-mail și parola pe care le utilizezi pentru a intra în platformă.
Abonează-te la „Viața medicală” ca să ai acces la întreg conținutul săptămânalului adresat profesioniștilor din Sănătate!
#DinRecunostinta
Căutare:
Căutare:
Acasă  »  LIFESTYLE  »  Hi-tech & Gadgets

Aplicaţii ale inteligenţei artificiale în hematologie (II)

Viața Medicală
Dr. Radu GOLOGAN vineri, 24 septembrie 2021

Continuăm prezentarea aplicaţiilor pe care inteligenţa artificială le are în domeniul hematologiei, urmare a complexităţii datelor și rapidităţii cu care algoritmii IA pot opera.

1

Citogenetica standard cu „bandarea” cromozomilor ocupă un loc important în investigarea pacienţilor hematologici, îndeosebi a celor cu hemopatii maligne. Metodologia practicată în mod curent este exigentă tehnic, consumă timp și necesită personal bine antrenat. Au fost create mai multe softuri, unele folosind reţele neuronale profunde, pentru efectuarea automată a cariotipului, cu o concordanţă cu metoda manuală de 85,2-98,6%. Utilizarea lor aduce o economie de timp semnificativă, dar presupune supervizarea specialistului, unele anomalii structurale fiind greu de clasificat.

Imunofenotipare

        Imunofenotiparea prin citometrie în flux (flow cytometry) multiparametrică ocupă un loc central în diagnosticul leucemiilor și limfoamelor. Deși mult mai puţin subiectivă decât morfologia, citometria în flux este și ea dependentă de competenţa și experienţa celui care o execută, fiind supusă erorilor, de unde și utilitatea introducerii metodelor automate.

        S-au publicat mai multe exemple de reușite prin folosirea reţelelor neurale convoluţionale în diferenţierea limfoamelor cu celule B, a leucemiilor acute mieloide, dar și pentru evidenţierea automată a bolii minime reziduale prin citometrie în flux, însă niciunul dintre dispozitivele folosite nu a fost aprobat pentru utilizare pe scară largă.

Genetica moleculară

        Dacă prin aplicarea programelor de machine learning (ML) și deep learning (DL) în domeniile menţionate mai sus se încearcă reproducerea felului de a acţiona al specialistului experimentat, aplicarea acestora în genetica moleculară încearcă să rezolve sarcini care depășesc posibilităţile celui mai capabil genetician. Prin introducerea noilor tehnologii de secvenţiere genomică și analiza unor seturi mari de gene, chiar a întregului genom și transcriptom, genetica moleculară generează un volum uriaș de date (genomul uman ar conţine 2 x aproximativ 3,2 miliarde de nucleotide), considerat de domeniul „big data” (seturi de date extrem de mari, care pot fi analizate doar cu ajutorul computerului), unde ML și DL își găsesc o largă aplicaţie pentru relevarea de variante (mutaţii), tipare, tendinţe, asocieri.

De exemplu, au fost creaţi algoritmi ai ML pentru a integra date privind mutaţiile, valorile din sângele periferic și datele clinice într-un „model genoclinic”, pentru diferenţierea variatelor boli ale măduvei osoase. Alţi algoritmi au fost creaţi pentru identificarea unor asocieri relevante din punct de vedere diagnostic și prognostic dintre mutaţii și modificările citomorfologice, precum și pentru identificarea unor „semnături moleculare” asociate cu răspunsul la agenţii hipometilanţi în sindromul mielodisplazic (SMD).

Diagnostic, prognostic și predicţie

        Îmbunătăţirea performanţelor în elaborarea unui diagnostic, precum și a recomandărilor terapeutice constituie cea mai mare și grea provocare în folosirea ML în hematologie. Rezultate promiţătoare au fost raportate în diagnosticul celor patru tipuri principale de leucemii acute și cronice și în cel al limfoamelor cu celule B. Sistemul a atins o acurateţe de 97% în identificarea celulelor normale versus anormale, dar de numai 74% în clasificarea subseturilor de limfoame și leucemii cu celule B. Există propuneri privind folosirea acestor dispozitive doar pentru triajul cazurilor de boli limfoproliferative din zone mai defavorizate, lipsite de specialiști, cu posibilitatea examinării ulterioare de către un expert a preparatelor problemă.

        În domeniul modelării predictive cu ajutorul IA, menţionăm câteva exemple, precum predicţia mortalităţii la 100 de zile după transplantul de măduvă osoasă, prevederea complicaţiei grefă-contra-gazdă acută, prezicerea necesităţii tratamentului antiinfecţios în leucemia limfatică cronică, utilizarea pentru selectarea pacienţilor cu risc ridicat pentru anumite trialuri.

Provocări și limite în practica curentă

Cu toate promisiunile tehnologiei IA medicale, există încă numeroase și importante obstacole și capcane în implementarea ei. Publicitatea sa amplă a suferit recent o lovitură de imagine prin invalidarea de către practica oncologică a computerului Watson (a se vedea și articolul pe această temă din Viaţa Medicală nr. 6/8.02.2019).

        Mai mulţi specialiști au relevat o serie de limitări care interferă cu implementarea ML și DL în practica hematologică curentă, atât clinică, cât și de laborator, care trebuie cunoscute de cei interesaţi și angrenaţi în acest domeniu. Dintre acestea,
menţionăm:

  1. Este recunoscut că ML e un sistem în mare „foame de date”, necesitând un volum uriaș de informaţii ce trebuie prelucrate pentru a genera un rezultat valabil. Rezultă astfel două aspecte cu efect limitativ: pe de o parte încă nu este clar cât trebuie să fie acest volum de date anterior elaborării unui anume model valabil, iar pe de alta, obţinerea datelor primare este greoaie și consumatoare de timp, fiind făcută în hematologie încă în mare parte manual.
  2. Datele folosite pentru antrenarea algoritmilor au o complexitate limitată, captând numai o parte din variabilitatea biologică existentă în viaţa reală.
  3. Calitatea datelor introduse este grevată de faptul că ele nu provin din surse antestructurate pentru acest scop, ci pentru diferite altele (de exemplu, pentru îngrijirea pacientului), ceea ce constituie o sursă de influenţare părtinitoare a rezultatelor; de asemenea, provenienţa din surse cu standarde de calitate diferite generează variabilitatea în calitatea datelor, ceea ce reprezintă o altă sursă potenţială de erori.
  4. Marea diversitate între instituţii, laboratoare, privind tehnicile de lucru, calitatea reactivilor și a dispozitivelor folosite, de unde necesitatea existenţei unor ghiduri cuprinzătoare pentru uniformizarea metodologiei.
  5. Existenţa unui aleatoriu în evoluţia oricărui pacient, ceea ce face ca nu orice eveniment să fie previzibil.
  6. Lipsa studiilor prospective care să valideze modelele, create cel mai adesea pe baza datelor dintr-un singur centru, limitând astfel  posibilitatea de a generaliza rezultatele (așa s-ar explica acurateţea de >90% a modelelor în contrast cu comparabilitatea semnificativ mai redusă cu alte surse).
  7. Majoritatea studiilor au folosit în construirea modelelor doar sistemul binar „anormal vs. normal”, eludând astfel mult mai nuanţata complexitate a vieţii reale.
  8. Majoritatea modelelor propuse produc rezultate la nivel de cohorte de pacienţi, dar sunt mai puţin capabile de preziceri precise la nivel individual, ceea ce creează incertitudini.

      În concluzie, hematologia poate beneficia substanţial de aplicarea instrumentelor IA, prin parcurgerea a două etape distincte: una de cercetare amplă și o alta, deloc mai simplă, de implementare în practica curentă, prin creșterea performanţelor tehnologiilor existente și prin standardizarea acestora în scopul asigurării reproductibilităţii rezultatelor și capacităţii de generalizare a lor.

Având în vedere perspectivele încurajatoare configurate de cercetările în domeniu, este recomandabil ca medicii să se familiarizeze din timp cu noţiunile fundamentale teoretice și practice ale IA medicale. Nu există perspectiva înlocuirii hematologilor de către mașini, ci doar aceea de a folosi mașinile de către hematologi, în scopul reducerii supraaglomerării și creșterii performanţei în abordarea pacienţilor. IA poate realiza o revoluţie în sănătate prin dotarea tehnologică a medicilor, și nu prin înlocuirea lor.

Sănătatea umană este prea preţioasă – transferarea ei cu totul mașinilor, exceptând situaţiile de rutină cu risc minim, pare ceva greu de acceptat. (Eric Topol, editor șef al site-ului Medscape)

Bibliografie
1. Su-In Lee et al. A machine learning approach to integrate big data for precision medicine în acute myeloid leukemia. Nature Communications 2018,9:42
2. Rajkomar A. et al. Machine Learning în Medicine. N Engl J Med 2019;380:1347-58.
3. Radakovich N. et al. Artificial Intelligence în Hematology: Current Challenges and Opportunities. Current Hematologic Malignancy Reports https://doi.org/10.1007/s11899-020-00575-4
4. Walter W. et al. How artificial intelligence might disrupt diagnostics în hematology în the near future. Oncogene (2021) 40:4271–4280
5. El Achi H., Khoury J. D. Artificial Intelligence and Digital Microscopy Applications în Diagnostic Hematopathology. Cancers (Basel) 2020;12(4):797
6. Shouval R. et al. Machine learning and artificial intelligence în haematology. Brit j Haematol. 2020, doi: 10.1111/bjh.16915
7. Salah H.T. et al. Machine learning applications în the diagnosis of leukemia: Current trends and future directions. Int J Lab Hematol. 2019;41:717–725.
8. Sivapalaratnam S. Artificial intelligence and machine learning în haematology. British Journal of Haematology, 2019,185,207–208
9. Muhsen I.N. et al. Machine Learning Applications în the Diagnosis of Benign and Malignant Hematological Diseases. Clinical Hematology International 2021, 3(1):13–20
10. Kratz A. et al. Digital morphology analyzers în hematology: ICSH review and recommendations. Int J Lab Hematol 2019;41:437–447.
11. Hong Jin et al. Developing and Preliminary Validating an Automatic Cell Classification System for Bone Marrow Smears: a Pilot Study. Journal of Medical Systems 2020, 44:184
12. Hanna M.G. et al. Whole slide imaging equivalency and efficiency study: experience at a large academic center. Modern Pathology, doi.org/10.1038/s41379-019-0205-0.
13. El Achi H., Khoury J.D. Artificial Intelligence and Digital Microscopy Applications în Diagnostic Hematopathology. Cancers 2020, 12:797; doi:10.3390/cancers12040797
14. Muehlematter U.J. et al. Approval of artificial intelligence and machine learning-based medical devices în the USA and Europe (2015–20): a comparative analysis. Lancet Digit Health 2021;3:e195–203
15. Topol E.J. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine 2019,25: 44–56
16. Adoption of Artificial Intelligence and Machine Learning Is Increasing, but Irrational Exuberance Remains.. NEJM Catalyst Innovations în Care Delivery 2020;10.1056/CAT.19.1090

Etichete: inteligenta artificiala hematologie aplicatii beneficii limite

Abonează-te la Viața Medicală

Dacă vrei să fii la curent cu tot ce se întâmplă în lumea medicală, abonează-te la „Viața Medicală”, săptămânalul profesional, social și cultural al medicilor și asistenților din România!
  • Tipărit + digital – 200 de lei
  • Digital – 129 lei
Titularii abonamentelor pe 12 luni sunt creditați astfel de:
  • Colegiul Medicilor Stomatologi din România – 5 ore de EMC
  • Colegiul Farmaciștilor din România – 10 ore de EFC
  • OBBCSSR – 7 ore de formare profesională continuă
  • OAMGMAMR – 5 ore de EMC
Află mai multe informații despre oferta de abonare.