[Artificial Intelligence for computer-aided leukemia diagnostics].

The manual examination of blood and bone marrow specimens for leukemia patients is time-consuming and limited by intra- and inter-observer variance. The development of AI algorithms for leukemia diagnostics requires high-quality sample digitization and reliable annotation of large datasets. Deep learning-based algorithms using these datasets attain human-level performance for some well-defined, clinically relevant questions such as the blast character of cells. Methods such as multiple - instance - learning allow predicting diagnoses from a collection of leukocytes, but are more data-intensive. Using "explainable AI" methods can make the prediction process more transparent and allow users to verify the algorithm's predictions. Stability and robustness analyses are necessary for routine application of these algorithms, and regulatory institutions are developing standards for this purpose. Integrated diagnostics, which link different diagnostic modalities, offer the promise of even greater accuracy but require more extensive and diverse datasets. ALGORITHMEN AUF BASIS GROßER DATENMENGEN: : Voraussetzung für die Anwendung von KI-Algorithmen ist eine hochqualitative Digitalisierung von Präparaten mit ausreichender Auflösung. Ferner ist die zuverlässige Annotation einer ausreichenden Menge von Trainings- und Testdaten nötig. UMFANGREICHE BILDDATENBANKEN FüR DIE KI-GESTüTZTE LEUKäMIEDIAGNOSTIK:: Zur Entwicklung von datengetriebenen Algorithmen wie z.B. neuronaler Netze ist die Bereitstellung großer, kuratierter Datenbanken nötig. Im Bereich der morphologischen Leukozyten-Differenzierung kann dazu z.B. die Annotation von Zehntausenden von Einzelzellen nötig sein. Neuere Methoden benötigen weniger manuelle Annotationen, jedoch in der Regel noch größere Trainingsdatensätze. METHODEN ZUR NACHVOLLZIEHBARKEIT DER VORHERSAGEN: : Die „erklärbare KI“ stellt eine Reihe von Methoden bereit, die den Vorhersageprozess von neuronalen Netzen transparenter machen und für die Vorhersage relevante Anteile der Eingangsdaten erkennen. Dies ermöglicht Anwendern, die Vorhersagen des Algorithmus auf Plausibilität zu überprüfen und z.B. zu erkennen, ob bekanntermaßen diagnostisch aussagekräftige Strukturen wie Auer-Stäbchen erkannt wurden. VORAUSSETZUNGEN FüR DIE ROUTINEANWENDUNG: : Für die breite Anwendung in der diagnostischen Routine sind Stabilitäts- und Robustheitsanalysen nötig, um sicherzugehen, dass die Algorithmen ihre Leistungsfähigkeit auch bei Schwankungen der Proben- und Digitalisierungsqualität behalten. Hierzu befinden sich bei den Zulassungsinstitutionen aktuell Standards in Entwicklung. PERSPEKTIVE INTEGRIERTE DIAGNOSTIK: : Datenbasierte Algorithmen erlauben die Verknüpfung verschiedener diagnostischer Modalitäten und versprechen bei kombiniertem Zugang zu unterschiedlichen Befundarten eine noch höhere Genauigkeit, stellen allerdings auch noch höhere Ansprüche an die verwendete Datenbasis.

Informations de copyright

Thieme. All rights reserved.

Déclaration de conflit d'intérêts

Die Autorinnen/Autoren geben an, dass kein Interessenkonflikt besteht.