Les décisions concernant le traitement des clients atteints de leucémie myéloïde aiguë (LAM) – une forme très agressive de leucémie – reposent, entre autres, sur une série de certaines caractéristiques génétiques de la maladie mais au second où le diagnostic est posé, cette information n’est pas disponible. Cependant, la preuve de ces anomalies génétiques est cruciale pour fournir un traitement ciblé aux individuals à un stade précoce. Les exams génétiques étant coûteux et longs, il existe un grand besoin de assessments peu coûteux, rapides et largement accessibles pour prédire de telles anomalies.
Une équipe d’informaticiens et de médecins de l’Université de Münster et de l’hôpital universitaire de Münster a publié une étude montrant comment une méthode basée sur l’intelligence artificielle (IA) peut être utilisée pour prédire diverses caractéristiques génétiques sur la base d’pictures microscopiques à haute résolution. de frottis de moelle osseuse. Ainsi, les décisions concernant un traitement moreover précis pourront être prises à l’avenir directement le jour du diagnostic, sans qu’il soit nécessaire d’attendre des analyses génétiques. Les résultats ont été publiés dans la revue Blood Advances.
Dans cette nouvelle méthode, les aberrations génétiques ont été extraites directement à partir d’analyses de plusieurs gigaoctets à extrêmement haute résolution provenant de frottis de moelle osseuse entière prélevés sur additionally de 400 people atteints de LMA. Les scans avaient une résolution de 270 000 fois 135 000 pixels en moyenne, une impression mesurant plusieurs gigaoctets. À partir de cet énorme ensemble de données, il a été feasible d’extraire additionally de deux hundreds of thousands d’images unicellulaires. « Nous avons développé un nouveau style de méthode Deep Learning, entièrement automatique, qui a été entraînée pour une tâche complexe au moyen de la technologie d’apprentissage automatique », explique le professeur Benjamin Risse, qui a dirigé les travaux sur les développements algorithmiques du côté informatique. « Dans notre cas, l’algorithme de base peut reconnaître automatiquement les caractéristiques génétiques et les modèles très fins dans de grandes photographs cytologiques. La méthode a ensuite filtré les photos unicellulaires en catégories de différents types de cellules et a également montré d’éventuelles aberrations génétiques. « Plusieurs motifs reconnus par l’algorithme ne peuvent pas être identifiés par les observateurs humains. C’est par exemple parce que les motifs peuvent être trop faibles ou parce qu’il s’agit de textures extrêmement fines qui restent cachées à l’œil humain, malgré une excellente imagerie », explique Risse.
L’un des principaux avantages de la méthode présentée réside dans le pipeline d’IA de bout en bout qui permet de surveiller les résultats (intermédiaires) et réduit au minimum le travail préliminaire manuel souvent nécessaire à l’apprentissage automatique. Ceci est rendu achievable par une combinaison de processus d’apprentissage dits non supervisés, auto-supervisés et supervisés. Les deux premiers processus ne nécessitent aucune sélection manuelle de données, mais tentent plutôt d’extraire automatiquement le contenu pertinent des données d’impression. « En utilisant une approche dite incrémentale, nous avons effectué des étapes intermédiaires avec un qualified humain pour examiner les images. Cela est nécessaire par exemple dans les photos cellulaires classées comme problématiques », explique le Dr Linus Angenendt, responsable du département Thérapie personnalisée du most cancers et numérique. Groupe de travail de médecine à l’hôpital universitaire de Münster. Des visuals cellulaires problématiques peuvent survenir, par exemple, en raison d’une coloration incorrecte. Le modèle formé a ensuite été évalué sur un ensemble de données indépendant relatif à 70 autres people avec additionally de 440 000 photographs unicellulaires – en tant que cohorte de test.
Même si la nouvelle méthode ne peut pas remplacer les analyses génétiques, elle aide néanmoins très tôt à clarifier le diagnostic d’un client atteint de leucémie, en donnant une idée des aberrations génétiques qui pourraient être à l’origine de la maladie. Cela serait particulièrement utile dans le cas de maladies agressives lorsqu’il n’y a pas de temps à attendre pour les analyses génétiques complètes.
Les chercheurs sont convaincus qu’à l’avenir, les méthodes numériques et l’intelligence artificielle deviendront de plus en in addition importantes pour les grands ensembles de données médicales lorsqu’il s’agira de formuler des recommandations personnalisées pour le traitement des individuals atteints de maladies malignes. Cette étude constitue une foundation importante à cet égard, par exemple dans le développement d’approches similaires pour d’autres maladies de la moelle osseuse.
