Human-level recognition of blast cells in acute myeloid leukaemia with convolutional neural networks. Matek, Schwarz, Spiekermann & Marr
Human-level recognition of blast cells in acute myeloid leukaemia with convolutional neural networks. Matek, Schwarz, Spiekermann & Marr
Dennis Vermeulen
Busines Development bei PreciPoint. Begleitet Kunden bei der Digitalisierung ihrer Labore deutschlandweit.
Die zuverlässige Diagnose von myeloischer Leukämie über die Identifizierung von Blastenzellen im peripheren Blut ist aktuell noch ein sehr komplizierter Prozess. Die Identifizierung wird gänzlich analog, von gut ausgebildeten technischen Mitarbeitern und Ärzten, durchgeführt. Einerseits ist gerade deshalb die Fehlerquote sehr gering, andererseits lassen sich so keine standardisierten Abläufe definieren, die gerade für Routineprozesse sehr hilfreich wären. Zusätzlich ist der rein analog ablaufende Vorgang sehr zeitaufwändig und eintönig und deshalb sehr ermüdend.
Was wurde getan?
Dr. Matek und weitere Wissenschaftler haben sich in dem Artikel “Human-level recognition of blast cells in acute myeloid leukaemia with convolutional neural networks” im Fachjournal Nature Machine Intelligence (https://doi.org/10.1038/s42256-019-0101-9) mit dem Thema befasst, ob es möglich sei, den Identifizierungsprozess über einen vorher trainierten Algorithmus laufen zu lassen und somit die Entscheidungsfindung der Spezialisten durch künstliche Intelligenz zu unterstützen. Unter der Verwendung unseres digitalen Scanners O8 und eines künstlichen neuronalen Netzes aus dem Bereich des maschinellen Lernens Convolutional Neural Network (CNN) wurden zunächst mehrere tausend Einzelbilder eintrainiert und anschließend über eine sogenannte Kreuzvalidierung die Zuverlässigkeit der Klassifikation geprüft.
Auszug aus den Ergebnissen
Eines der Ergebnisse der Studie, dass wir erwähnen wollen, da es auch für unser Produkt O8 eine wichtige Rolle spielt, ist die sogenannte Saliency Map. Diese Darstellung visualisiert wie wichtig bestimmte Pixel auf einem Bild für die Analyse waren. Unter Abbildung 1 können Sie sehen, dass gerade die Bereiche auf denen im Farbbild die Zellen zu sehen sind, deutlich relevanter für die Analyse waren. Somit kann man sagen, dass zum einen das Network eine sehr spezifische und gute Erkennung der Zellen bewirkt hat, aber auch, dass der Scanner qualitativ hochwertige Bilder für die Erkennung liefern konnte. Zusätzlich bot die gute Vernetzung unserer Software mit weiteren Schnittstellen zur Übertragung der Scannerdaten in die CNN-Grundstruktur eine sichere und einfache Weiterverarbeitung der Bilder.
Here, we compile an annotated image dataset of over 18,000 white blood cells, use it to train a convolutional neural network for leukocyte classification and evaluate the network’s performance by comparing to inter- and intra-expert variability.
Generell konnten bei dieser Studie hervorragende Ergebnisse erzielt werden, welche einen guten Grundstein weiterer Forschung an der Diagnose mit künstlicher Intelligenz liefern. Wir freuen uns und sind sogleich stolz darauf was unser Produkt zu dieser Studie beitragen konnte. Wenn Sie das Thema interessiert und Sie mehr über die Arbeit erfahren wollen, können Sie sich unter der E-Mail christian.matek(at)tum.de gerne an Herr Dr. Matek wenden.
Quellen:
Abbildung 1: Matek, Christian / Simone Schwarz / Karsten Spiekermann / Carsten Marr (2019): Human-level recognition of blast cells in acute myeloid leukaemia with convolutional neural networks, in: Nature Machine Intelligence, Jg. 1, Nr. 11, S. 538–544, doi: 10.1038/s42256-019-0101-9.
