Was ist neu?
Algorithmen auf Basis großer Datenmengen: Voraussetzung für die Anwendung von KI-Algorithmen ist eine hochqualitative Digitalisierung
von Präparaten mit ausreichender Auflösung. Ferner ist die zuverlässige Annotation
einer ausreichenden Menge von Trainings- und Testdaten nötig.
Umfangreiche Bilddatenbanken für die KI-gestützte Leukämiediagnostik: Zur Entwicklung von datengetriebenen Algorithmen wie z.B. neuronaler Netze ist die
Bereitstellung großer, kuratierter Datenbanken nötig. Im Bereich der morphologischen
Leukozyten-Differenzierung kann dazu z.B. die Annotation von Zehntausenden von Einzelzellen
nötig sein. Neuere Methoden benötigen weniger manuelle Annotationen, jedoch in der
Regel noch größere Trainingsdatensätze.
Methoden zur Nachvollziehbarkeit der Vorhersagen: Die „erklärbare KI“ stellt eine Reihe von Methoden bereit, die den Vorhersageprozess
von neuronalen Netzen transparenter machen und für die Vorhersage relevante Anteile
der Eingangsdaten erkennen. Dies ermöglicht Anwendern, die Vorhersagen des Algorithmus
auf Plausibilität zu überprüfen und z.B. zu erkennen, ob bekanntermaßen diagnostisch
aussagekräftige Strukturen wie Auer-Stäbchen erkannt wurden.
Voraussetzungen für die Routineanwendung: Für die breite Anwendung in der diagnostischen Routine sind Stabilitäts- und Robustheitsanalysen
nötig, um sicherzugehen, dass die Algorithmen ihre Leistungsfähigkeit auch bei Schwankungen
der Proben- und Digitalisierungsqualität behalten. Hierzu befinden sich bei den Zulassungsinstitutionen
aktuell Standards in Entwicklung.
Perspektive Integrierte Diagnostik: Datenbasierte Algorithmen erlauben die Verknüpfung verschiedener diagnostischer Modalitäten
und versprechen bei kombiniertem Zugang zu unterschiedlichen Befundarten eine noch
höhere Genauigkeit, stellen allerdings auch noch höhere Ansprüche an die verwendete
Datenbasis.
Abstract
The manual examination of blood and bone marrow specimens for leukemia patients is
time-consuming and limited by intra- and inter-observer variance. The development
of AI algorithms for leukemia diagnostics requires high-quality sample digitization
and reliable annotation of large datasets. Deep learning-based algorithms using these
datasets attain human-level performance for some well-defined, clinically relevant
questions such as the blast character of cells. Methods such as multiple – instance
– learning allow predicting diagnoses from a collection of leukocytes, but are more
data-intensive. Using “explainable AI” methods can make the prediction process more
transparent and allow users to verify the algorithm's predictions. Stability and robustness
analyses are necessary for routine application of these algorithms, and regulatory
institutions are developing standards for this purpose. Integrated diagnostics, which
link different diagnostic modalities, offer the promise of even greater accuracy but
require more extensive and diverse datasets.
Schlüsselwörter
KI in der medizinischen Bildanalyse - Diagnostische Unterstützungssysteme - Leukämiediagnostik
- Zytomorphologie
Keywords
AI in medical image analysis - computer-aided diagnostics - leukemia diagnostics -
cytomorphology
