Autor: MUDr. Vlasta Raušová
Vědci z Centra pro výzkum rakoviny v Německu (DKFZ) a Institutu kmenových buněk v Cambridge vyvinuli algoritmus umělé inteligence, který rozpoznává a charakterizuje bílé a červené krvinky v mikroskopických snímcích krevních vzorků. Algoritmus může pomoci lékařům diagnostikovat nemoci krve a je k dispozici jako metoda s otevřeným zdrojovým kódem pro výzkumné účely.
V recentně publikovaném článku výzkumníci představují Haemorasis, protokol strojového učení, který automaticky detekuje a charakterizuje krevní buňky v nátěrech periferní krve a nálezy aplikuje na kohortu jedinců s myelodysplastickým syndromem (MDS) nebo anémií, čímž je demonstrováno jeho využití při predikci nemocí a odvozování nových morfologických typů, asociaci mezi buněčnou morfologií a různými nemocemi krve. Ukazují, že MDS s mutací SF3B1 lze s vysokou prediktivní účinností odlišit od ostatních MDS pouze pomocí cytomorfologie a krevního obrazu, přičemž u tohoto podtypu MDS převažují hypolobulární neutrofily a velké erytrocyty. Pomocí expertně anotovaných leukocytů a erytrocytů ukazují, že virtuální typy buněk jsou obohaceny o běžně rozpoznané typy/abnormality leukocytů a erytrocytů. Nakonec svůj přístup externě ověřují a ukazují, že je do značné míry zobecnitelný pro různá centra a skenery.
Haemorasis, metoda s otevřeným zdrojovým kódem pro extrakci a charakterizaci velkého počtu leukocytů a erytrocytů z digitalizovaných nátěrů periferní krve ukazuje, jak lze tento proces automatizovat bez použití vlastního softwaru. Haemorasis je veřejně k dispozici jako Docker container, což umožňuje její jednoduché použití. Pomocí Haemorasis výzkumníci detekovali a charakterizovali více než půl milionu leukocytů a miliony erytrocytů. Pomocí morfometrických momentů (průměr a rozptyl morfometrických znaků pro každý nátěr periferní krve) ukazují diagnostický význam cytomorfologické heterogenity pro různé nemoci. Toto pozorování se podobá předchozím zprávám, které spojovaly RDW (šíře distribuce objemu erytrocytů) se zvýšeným rizikem transformace akutní myeloidní leukémie. Je také třeba vzít v úvahu, že kvantifikace morfologické variability, zejména jemných znaků, je pravděpodobně náročná na vizuální hodnocení, protože vyžaduje absolutní kvantifikaci a hodnocení velkého počtu buněk.
Algoritmus Haemorasis byl již testován na třech nezávislých skupinách pacientů, aby se prokázalo, že systém funguje i v jiných testovacích centrech a skenovacích systémech krevního obrazu. Výzkumníci tak poprvé prokázali, že počítačem asistovaná analýza krevních obrazů je možná a může pomoci při stanovení prvotní diagnózy. Je důležitá i pro identifikaci těch pacientů, kteří vyžadují invazivnější vyšetření, jako je punkce kostní dřeně nebo genetická analýza.
Automatizovaná buněčná analýza pomocí metody Haemorasis by mohla v budoucnu doplnit rutinní diagnostiku nemocí krve. Algoritmus byl zatím trénován pouze na konkrétní onemocnění, ale i tak lze v tomto přístupu vidět velký potenciál.
Reference:
1/ José Guilherme de Almeida et al, Computational analysis of peripheral blood smears detects disease-associated cytomorphologies, Nature Communications (2023). DOI: 10.1038/s41467-023-39676-y
2/ https://medicalxpress.com/news/2023-08-computer-aided-cell-analysis-faster-diagnosis.html
