Intelligenza artificiale per la diagnosi di AML

LEUCEMIA MIELOIDE ACUTA

Intelligenza artificiale per la diagnosi di AML

» Per diagnosticare la leucemia mieloide acuta potrebbe bastare una goccia di sangue. Per lo meno è sufficiente un piccolo quantitativo ematico perché un sofisticato software di intelligenza artificiale possa classificare correttamente i globuli bianchi presenti in campioni provenienti da pazienti con AML, con una precisione pari a quella di un essere umano esperto.

Il corretto riconoscimento dei globuli bianchi maligni è un passo fondamentale nella diagnosi di neoplasie ematologiche come la leucemia mieloide acuta. L'esame morfologico microscopico delle cellule del sangue viene solitamente eseguito da specialisti ben addestrati. Si tratta, tuttavia, di un processo lungo, noioso e difficile da standardizzare: gli esperti devono esaminare tutte le cellule presenti nei campioni di sangue e classificarle in circa 15 diverse categorie. Con possibilità di errori.

Per migliorare l’efficacia della valutazione, un team di ricercatori in Germania ha addestrato un sistema di reti neuronali profonde, ovvero un sistema di intelligenza artificiale Deep Learning, servendosi di un database di circa 18.000 immagini di globuli bianchi, insegnando quindi al sistema come classificarle.

Il team, guidato da Carsten Marr e Christian Matek dell’Istituto di Biologia Computazionale dell’HelmholtzZentrum München, e da Karsten Spiekermann e Simone Schwarz dell’ospedale universitario LMU München, ha usato immagini provenienti da campioni di sangue appartenenti in parte a pazienti colpiti da una forma aggressiva di AML e in parte a individui senza questa patologia, appartenti al gruppo di controllo.

Questo tipo di sistemi di Deep Learning per il processamento delle immagini ha bisogno di due cose per funzionare in maniera efficace. In primo luogo di un'appropriata architettura di rete neurale convoluzionale con centinaia di migliaia di parametri e poi, soprattutto, di una quantità sufficientemente grande di dati.

Prima d’ora non era ancora disponibile un data set abbastanza ampio e digitalizzato di campioni di sangue, per questo motivo è stata fondamentale la collaborazione tra un centro di ricerca e un ospedale universitario, in cui questo tipo di campioni è, al contrario, abbondante. Confrontando le prestazioni del sistema con quelle di scienziati bene addestrati, gli studiosi hanno constatato che l’intelligenza artificiale mostrava capacità comparabili a quelle umane.

I ricercatori hanno ora messo a disposizione di altri gruppi di ricerca questo primo dataset da loro creato e stanno attualmente collaborando strettamente con l’ospedale universitario e con uno dei più grandi laboratori europei, il Munich Leukemia Laboratory (MLL) per digitalizzare altre centinaia di campioni.

Come spiegato nelle conclusioni dello studio, pubblicato su Nature Machine Intelligence, l’obiettivo non è sostituire l’essere umano, ma fornire uno strumento che aiuti il citologo a esaminare e classificare un numero di cellule sempre più alto per ciascun campione. Questo per rendere possibile l’individuazione di cellule maligne in stadi precoci della malattia.

Il gruppo di Marr non è l’unico che sta cercando di applicare le tecnologie di intelligenza artificiale e Deep Learning allo studio e alla diagnosi dei tumori. Per esempio, un team dello University of Texas Southwestern Medical Center ha di recente sviluppato un software di intelligenza artificiale in grado di riconoscere cellule cancerose in campioni digitalizzati, basandosi invece sulla distribuzione spaziale di diversi tipi cellulari.

Bibliografia e Fonti:

Matek C, Schwarz S, Spiekermann K, Marr C. Human-level recognition of blast cells in acute myeloid leukemia with convolutional neural networks. Nature Machine Intelligence, 2019. DOI: 10.1038/s42256-019-0101-9 (ABSTRACT).

AI-driven single blood cell classification, HelmholtzZentrum München, comunicato stampa del 12 Novembre 2019.

Wang S, Wang T, Yang L et al. ConvPath: A software tool for lung adenocarcinoma digital pathological image analysis aided by a convolutional neural network, EbioMedicine, 2019; 50: 103-110. DOI: 10.1016/j.ebiom.2019.10.033.