Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

O AI pode ajudar com o diagnóstico de linfomas da B-pilha e de leucemia relacionadas

A presença de cancro do sistema linfático é determinada frequentemente analisando amostras do sangue ou da medula. Uma equipe conduzida pelo prof. Dr. Peter Krawitz da universidade de Bona tinha mostrado já em 2020 que a inteligência artificial pode ajudar com o diagnóstico de tais linfomas e leucemia. A tecnologia utiliza inteiramente o potencial de todos os valores da medida e aumenta a velocidade assim como a objectividade das análises comparadas aos processos estabelecidos. O método foi desenvolvido agora mais de modo que mesmo os laboratórios menores pudessem tirar proveito deste método livremente acessível da aprendizagem de máquina - uma etapa importante para a prática clínica. O estudo tem sido publicado agora no jornal “modela”.

Os nós de linfa tornam-se inchados, há uma perda e uma fadiga de peso, assim como umas febres e umas infecções - estes são sintomas típicos de linfomas malignos da B-pilha e de leucemia relacionadas. Se tal cancro do sistema linfático é suspeitado, o médico toma um sangue ou uma amostra da medula e envia-a aos laboratórios especializados. Isto é o lugar aonde o cytometry de fluxo entra. O cytometry de fluxo é um método em que os glóbulos fluem após sensores da medida na alta velocidade. As propriedades das pilhas podem ser detectadas segundo sua forma, estrutura ou coloração. A detecção e a caracterização exacta de pilhas patológicas são importantes ao fazer um diagnóstico.

Os laboratórios usam “anticorpos” essa doca à superfície das pilhas e são acoplados às tinturas fluorescentes. Tais marcadores podem igualmente ser usados para detectar diferenças pequenas entre células cancerosas e glóbulos saudáveis. O cytometry de fluxo gera grandes quantidades de dados. Em média, mais de 50.000 pilhas são medidas pela amostra. Estes dados são analisados então tipicamente na tela traçando a expressão dos marcadores usados entre si.

Mas com 20 marcadores, o doutor já teria que comparar aproximadamente 150 imagens bidimensionais. É por isso é geralmente demasiado cara peneirar completamente através da série de dados inteira.”

Prof. Dr. Peter Krawitz, instituto para estatísticas e a bioinformática Genomic, hospital Bona da universidade

Por este motivo, Krawitz, junto com os bioinformaticians Nanditha Mallesh e Zhao máximo, investigado como a inteligência artificial pode ser usada para analisar dados do cytometry. A equipe considerou mais de 30.000 séries de dados dos pacientes com linfoma da B-pilha treinar a inteligência artificial (AI). O “AI toma a vantagem completa dos dados e aumenta a velocidade e objectividade dos diagnósticos,” diz o autor principal Nanditha Mallesh. O resultado das avaliações do AI é um diagnóstico sugerido que ainda necessidades de ser verificado pelo médico. No processo, o AI fornece indicações de pilhas notáveis.

Os especialistas reviram os resultados da inteligência artificial

As amostras de sangue e os dados do cytometer foram obtidos do laboratório da leucemia de Munich (MLL), do Charité - de Universitätsmedizin Berlim, do hospital Erlangen da universidade e do hospital da universidade de Bona. Os especialistas destas instituições examinaram os resultados da inteligência artificial. “A bandeira de ouro é diagnóstico pelos hematologists, que podem igualmente levar em consideração resultados de testes adicionais,” Krawitz diz. “O ponto de usar o AI não é substituir médicos, mas fazer o melhor uso da informação contida nos dados.” A grande característica nova das mentiras agora apresentadas do AI na possibilidade de transferência do conhecimento: Os laboratórios particularmente menores que não podem ter recursos para sua própria experiência da bioinformática e podem igualmente ter demasiado poucas amostras para desenvolver a partir do zero seu próprio AI podem tirar proveito disto. Após uma fase curto do treinamento, durante que o AI aprende os específicos do laboratório novo, pode então desenhar no conhecimento derivado de muitos milhares de séries de dados.

Todos os dados brutos e o software completo são open source e conseqüentemente livremente acessível. Além, o mechanica do res GmbH, que foi envolvido no estudo, desenvolveu um serviço de Web que fizesse a inteligência artificial útil mesmo para usuários sem experiência da bioinformática. “Com https://hema.to, nós queremos permitir a troca de dados anonymized do cytometry de fluxo entre laboratórios e desta maneira para criar as condições para mesmo mais de alta qualidade nos diagnósticos,” diz o Dr. Hannes Lüling do mechanica do res.

Grande potencial

A equipe vê o potencial enorme nesta tecnologia. Os pesquisadores conseqüentemente igualmente querem colaborar com os fabricantes principais da analítica equipamento e software para avançar mais o uso da inteligência artificial. No caso dos dados genéticos e cytomorphological dos linfomas da B-pilha, por exemplo, são recolhidos igualmente para confirmar os diagnósticos. “Se nós sucedemos em usar o AI para estes métodos também, nós teríamos uma ferramenta ainda mais poderosa,” diz Krawitz, que é igualmente um membro do conjunto da excelência ImmunoSensation2 na universidade de Bona. A inteligência artificial desenvolvida pode em princípio igualmente ser usada para diagnósticos das doenças reumáticos, que frequentemente são baseadas igualmente em dados cytometric do fluxo.

Primeiro Nanditha Mallesh autor apresentará os resultados do estudo na reunião anual da sociedade alemão para a hematologia e a oncologia médica em Berlim ao princípio de outubro.

Source:
Journal reference:

Mallesh, N., et al. (2021) Knowledge transfer to enhance the performance of deep learning models for automated classification of B-cell neoplasms. Patterns. doi.org/10.1016/j.patter.2021.100351.