MTLAs, Ärzte und künstliche Intelligenz am MLL – ein gutes Team!

Künstliche Intelligenz (KI) ist heutzutage für uns selbstverständlich und wir benutzen sie in unserem Alltag häufig unbemerkt. Aber was bedeutet dies für Diagnostik – heute und in Zukunft? Am MLL wird künstliche Intelligenz in verschiedenen Bereichen der Diagnostik eingesetzt und stetig weiterentwickelt. Dies spart nicht nur Zeit, sondern wird in Zukunft auch das Training neuer MitarbeiterInnen erleichtern und Möglichkeiten zur globalen Zusammenarbeit erweitern. So soll PatientInnen ein leichterer Zugang zu präzisen und schnellen Diagnosen ermöglicht werden und somit auch der Zugang zur bestmöglichen Therapie. Vor ungefähr eineinhalb Jahren wurde hier im Magazin bereits über KI am MLL berichtet - höchste Zeit also für ein Update über die neuesten Entwicklungen und Erkenntnisse.

Zytomorphologie

Im Bereich der Analyse von Blutausstrichen wurde in Kooperation mit AWS auf Basis einer selbst angelegten Trainingsdatenbank eine KI entwickelt, die innerhalb weniger Sekunden Differenzialblutbilder erstellen kann. Hierzu werden mit einem Scanner von MetaSystems pro Ausstrich 300-500 Zellen hochauflösend und vollautomatisch fotografiert, als Einzelbilder gespeichert und von einem Algorithmus klassifiziert. Die mediane Accuracy beträgt hierbei schon jetzt 94 % (Abb. 1). Niedrigere Werte finden sich v. a. für Zelltypen, die auch für erfahrene Ärzte und MTAs schwer zu differenzieren sind, da sie sich in ineinander übergehenden Reifungsstadien befinden. Kritisch-pathologische und unsicher zu bestimmende Zelltypen können durch die KI markiert und von Ärzten und MTAs überprüft werden. Seit Januar 2021 werden Blutausstriche jedes Falles mittels KI gescannt und von Mensch und KI parallel ausgewertet. Der Vergleich erlaubt es, den klinischen Nutzen in einer prospektiven Studie zu beurteilen und eine Übernahme der KI in die Routine zu ermöglichen (BELUGA-Studie, NCT04466059). Auch die KI-basierte Analyse von Knochenmarkszellen ist bereits Bestand derzeitiger Forschung und Entwicklung.

Abbildung 1 aus: Pohlkamp et al. Machine Learning (ML) Can Successfully Support Microscopic Differential Counts of Peripheral Blood Smears in a High Throughput Hematology Laboratory. Blood 2020; 136 (Supplement 1): 45–46.

Immunphänotypisierung

Im Rahmen der BELUGA-Studie werden neben Daten aus der Zytomorphologie auch Daten in der Immunphänotypisierung erhoben. Die vom MLL in Kooperation mit AWS entwickelte KI zur Klassifizierung von Lymphomen greift dabei auf durchflusszytometrische Matrix-Rohdaten zurück und erlaubt die Vorhersage von Diagnosen ohne eine vorige manuelle Visualisierung. Ihr Einsatz konnte von reifen B-Zell-Neoplasien auf weitere Entitäten ausgeweitet werden – insbesondere beim multiplen Myelom sind die Ergebnisse vielversprechend und von hoher Präzision. Eine Herausforderung besteht derzeit in der Analyse von Subpopulationen innerhalb der Probe, wie es beispielsweise beim myelodysplastischen Syndrom benötigt wird. Abhilfe könnte hier eine Analyse schaffen, bei der in einem ersten Schritt das Vorhandensein einer Entität bestimmt und in einem zweiten Schritt Subklassifikationen per festgelegten Features untersucht werden.

Chromosomenanalyse

Die automatische Erstellung von Karyogrammen wurde bereits 2019 in die Routine am MLL eingeführt. Die KI hierfür konnte stetig weiterentwickelt werden, sodass inzwischen die Bearbeitungszeit von 1-3 Minuten pro Karyogramm (von sehr erfahrenen Mitarbeitern) auf 31 Sekunden und einen einzigen Mausklick gesenkt werden konnte. Numerische Aberrationen (copy number aberration, CNA) werden von der KI automatisch erkannt und derivative Chromosomen werden für eine manuelle Zuordnung durch einen Mitarbeiter vorbereitet. Die Präzision zur Chromosomenerkennung beträgt 98,6 % und ein Großteil der Befunde wird innerhalb von 5 Tagen erstellt (Abb. 2).

Abbildung 2 aus: Haferlach et al. Artificial Intelligence Substantially Supports Chromosome Banding Analysis Maintaining Its Strengths in Hematologic Diagnostics Even in the Era of Newer Technologies. Blood 2020; 136 (Supplement 1): 47–48.

Molekulargenetik

Die Molekulargenetik spielt eine zunehmend wichtige Rolle in der Diagnostik. Insbesondere die Sequenzierung ermöglicht einen tiefen Einblick in die Biologie von Krankheitsbildern. Dabei stellen sich aber auch neue Herausforderungen. Nicht jede identifizierte Mutation ist von Relevanz für das Krankheitsbild. Bei der Einschätzung der Pathogenität kann der MLL Predictor, eine eigens entwickelte KI, den Diagnostiker wesentlich unterstützen.

Der nächste Schritt in der molekulargenetischen Diagnostik sind genomweite Ansätze. Jedoch übersteigen Daten, die durch Sequenzierung des kompletten Genoms und Transkriptoms entstehen, die Möglichkeiten manueller Auswertungen. Hier kann KI Abhilfe leisten und den Output dieser Daten deutlich erhöhen. Das MLL entwickelt in Kooperation mit AWS einen Algorithmus, der anhand von 5 Aberrationstypen eine Vorhersage zur Diagnose erstellt. Dafür werden genetische Strukturvarianten, Einzelnukleotid-Varianten (SNVs), Kopienzahlvarianten (CNVs), Genfusionen und Genexpressionsdaten in das Tool eingelesen und von der KI ausgewertet. Der Algorithmus hat bereits jetzt eine hohe Präzision, besonders bei genetisch eindeutigen Entitäten. Derzeitiges Training fokussiert sich zunehmend auf genetisch weniger klar definierte Entitäten, die den Algorithmus vor eine große Herausforderung stellen.

Die Autorin

»Sie haben Fragen zum Artikel oder wünschen weitere Informationen? Schreiben Sie mir gerne eine E-Mail.«

Dr. rer. nat. Constanze Kühn

Medical Writer