ASH 2023: KI-Modell zur Unterscheidung von myeloproliferativen Neoplasien
Präfibrotische primäre Myelofibrose (prePMF) und essenzielle Thrombozythämie (ET) zählen beide zu den myeloproliferativen Neoplasien (MPN) und stellen aufgrund sich überschneidender Merkmale eine diagnostische Herausforderung dar. Der signifikante Unterschied in der medianen Gesamtüberlebenszeit unterstreicht jedoch die Notwendigkeit einer genauen Differenzierung, um krankheitsspezifische therapeutische Entscheidungen treffen zu können.
Ein internationales Forscherteam hat nun einen biologisch motivierten KI-Algorithmus für eine schnelle und kosteneffiziente Diagnose direkt aus digitalen Ganzbildaufnahmen (whole-slide images, WSI) diagnostischer Knochenmarks(BM)-Biopsien entwickelt.
Multizentrische Studie
prePMF- und ET-Patientenkohorten der Universität Florenz und des Moffitt Cancer Centers wurden auf der Grundlage der internationalen Konsensus-Klassifikation für myeloische Neoplasien identifiziert. Diagnostische BM-Biopsie-Objektträger wurden digitalisiert und bildeten eine Trainingskohorte von 200 Patientinnen und Patienten (100 prePMF, 100 ET) aus Florenz und eine externe Testkohorte von 26 Erkrankten (6 prePMF, 20 ET) aus Moffitt. Das Modell, das das neuronale Netz RetCCL verwendet, wurde anhand von 32.226 von Patientinnen und Patienten stammenden WSIs trainiert, die in repräsentative Bildkacheln zerlegt wurden. Aufmerksamkeitsbasiertes Lernen über mehrere Instanzen lieferte numerische Gewichte für die Klassifizierung. Die Leistung des Modells wurde anhand der Fläche unter der Empfänger-Operator-Kurve (AUC) bewertet.
Biologische Relevanz vorhanden
Das Modell zeigte eine robuste Leistung mit einem mittleren AUC von 0,90 (Trainingskohorte, 5-fache Kreuzvalidierung). Die optimierte Klassifizierungsschwelle ergab eine diagnostische Genauigkeit von 92,3% mit einer Sensitivität von 66,6% und einer Spezifität von 100% für die Prä-PMF-Diagnose. Aufmerksamkeits-Wärmekarten verdeutlichten die Abhängigkeit des Modells von zellulären Knochenmarksbereichen, was die biologische Relevanz hervorhebt. Die Auswertungszeit auf einem Computer der Verbraucherklasse betrug etwa 6 Sekunden pro Objektträger.
Leichtere Differenzierung in der klinischen Praxis
Dieses KI-Modell erreicht eine hohe Genauigkeit bei der Unterscheidung zwischen prePMF und ET und stellt die größte bildbasierte KI-Studie bei myeloproliferativen Neoplasien mit externer Validierung dar. Die Schnelligkeit, Erschwinglichkeit und Genauigkeit des Modells machen es zu einem wertvollen Instrument für den Einsatz in der Klinik, das bei der Identifizierung von Patientenkohorten für maßgeschneiderte Therapien und die Aufnahme in klinische Studien eingesetzt werden kann. Dieser schnelle und kostengünstige Algorithmus hat das Potenzial, die genaue prePMF-ET-Differenzierung in der klinischen Routinepraxis für MPNs zu verbessern und somit Therapieentscheidungen zu erleichtern.
Interpretable Artificial Intelligence (AI) Differentiates Prefibrotic Primary Myelofibrosis (prePMF) from Essential Thrombocythemia (ET): A Multi-Center Study of a New Clinical Decision Support Tool. 65th ASH Annual Meeting; San Diego & virtuell, 11.12.23.