Détection de la leucémie promyélocytaire aiguë dans le sang périphérique et la moelle osseuse avec annotation

Jul 13, 2023

Rapports scientifiques volume 13, Numéro d'article : 2562 (2023) Citer cet article

2506 Accès

2 citations

12 Altmétrique

Détails des métriques

Bien que l'inspection par microscopie optique des frottis sanguins et des aspirations de moelle osseuse par un hématologue constitue une étape cruciale dans l'établissement du diagnostic de leucémie aiguë, en particulier dans les contextes à faibles ressources où d'autres modalités de diagnostic ne sont pas disponibles, la tâche reste longue et sujette à des incohérences humaines. . Cela a un impact notamment dans les cas de leucémie aiguë promyélocytaire (LPA) qui nécessitent un traitement urgent. L'intégration de l'hématopathologie informatique automatisée dans les flux de travail cliniques peut améliorer le débit de ces services et réduire les erreurs humaines cognitives. Cependant, un goulot d’étranglement majeur dans le déploiement de tels systèmes est le manque d’annotations suffisantes d’étiquettes d’objets morphologiques cellulaires pour former des modèles d’apprentissage en profondeur. Nous surmontons ce problème en tirant parti des étiquettes de diagnostic des patients pour former des modèles faiblement supervisés qui détectent différents types de leucémie aiguë. Nous introduisons une approche d'apprentissage en profondeur, l'apprentissage par instances multiples pour l'identification des leucocytes (MILLIE), capable d'effectuer une analyse fiable et automatisée des frottis sanguins avec une supervision minimale. Sans être formée à classer les cellules individuelles, MILLIE fait la différence entre la leucémie lymphoblastique aiguë et la leucémie myéloblastique dans les frottis sanguins. Plus important encore, MILLIE détecte l'APL dans les frottis sanguins (AUC 0,94 ± 0,04) et dans les aspirations de moelle osseuse (AUC 0,99 ± 0,01). MILLIE est une solution viable pour augmenter le débit des parcours cliniques qui nécessitent une évaluation de la microscopie des frottis sanguins.

L'évaluation morphologique des leucocytes provenant de frottis de sang périphérique et d'aspirations de moelle osseuse sous un objectif d'ouverture numérique élevée est une étape importante dans le diagnostic des tumeurs malignes hématopoïétiques telles que la leucémie aiguë1. Plus précisément, les frottis sanguins doivent toujours être inspectés en cas de leucocytose inexpliquée ou lorsqu'un instrument automatisé complémentaire suggère la présence de blastes2. De même, l’inspection des frottis sanguins permet de différencier les lignées myéloïdes et lymphoïdes, ce qui est crucial pour le choix du traitement3,4,5.

Malheureusement, l’examen des films d’aspiration de sang périphérique et de moelle osseuse dépend fortement de la disponibilité de personnel qualifié, prend du temps et est sujet aux erreurs humaines en raison de la fatigue et de la surcharge cognitive. L’émergence de la pathologie numérique a présenté le potentiel d’un examen évolutif assisté par intelligence artificielle des frottis de sang périphérique et des aspirations de moelle osseuse pour l’aide à la décision diagnostique6. Bien que la pathologie informatique ait montré son potentiel dans la reproduction du travail des hématologues en formant des modèles d'apprentissage profond supervisés de pointe pour reconnaître des indicateurs morphologiques bien établis de la leucémie7,8,9,10,11,12,13,14, une limitation critique L'une des études précédentes est qu'elles ne se concentrent pas sur la différenciation des types de leucémie tels que la leucémie lymphoblastique aiguë (LAL) et la leucémie myéloïde aiguë (LMA). De plus, ces études n'ont pas tenté de détecter les cas de leucémie aiguë promyélocytaire (LPA) qui justifient un traitement d'urgence ayant un impact sur la mortalité précoce et le pronostic15, alors que d'autres étapes chronophages du parcours clinique sont en cours si disponibles (par exemple, génétique, cytochimie, cytométrie en flux). Un inconvénient tout aussi important des modèles précédents entièrement supervisés7,9,13,16,17 est qu'ils nécessitent des centaines de milliers d'annotations de cellules au niveau objet fournies par des experts humains18 qui sont non seulement difficiles à obtenir à grande échelle, mais sont également susceptibles d'incohérences dues à des incohérences. à la subjectivité et à la fatigue cognitive des annotateurs. Pour surmonter ces limitations et fournir un système cliniquement pertinent pouvant prendre en charge, avec l'évaluation clinique et les paramètres de laboratoire auxiliaires, le traitement rapide des cas de LPA, nous avons conçu une approche d'apprentissage à instances multiples pour l'identification des leucocytes (MILLIE). Notre cadre d'apprentissage en profondeur personnalisable et sans annotation exploite les étiquettes de diagnostic des patients pour former des modèles faiblement supervisés qui détectent différents types de leucémie aiguë. Bien que des modèles d’apprentissage à instances multiples faiblement supervisés19,20 formés avec des étiquettes de diagnostic aient déjà été utilisés pour analyser des images microscopiques en biologie cellulaire21,22 et en histopathologie informatique du cancer23,24,25,26, il y a eu peu de tentatives pour appliquer leurs capacités aux cas aigus. parcours clinique de la leucémie. Nos résultats montrent que, bien qu’elle n’ait pas été formée pour classer les cellules individuelles, MILLIE peut distinguer avec précision la leucémie lymphoblastique aiguë normale et la leucémie myéloblastique aiguë en reconnaissant les globules blancs normaux, les lymphoblastes et les cellules myéloïdes immatures dans les étalements de sang périphérique. MILLIE était également capable de distinguer les aspirations de moelle osseuse AML de celles saines. MILLIE a également pu détecter des promyélocytes dans les frottis sanguins et les aspirations de moelle osseuse comme indicateur de leucémie promyélocytaire aiguë (LPA).