El hematólogo aumentado: circuitos de retroalimentación humanos-IA para ayudar al recuento diferencial de células durante el análisis de aspirados de médula ósea

ABSTRACTO

Introducción Todos los días, miles de hematólogos de todo el mundo analizan muestras de aspirado de médula ósea (BMA) con el apoyo de un microscopio óptico y su propia experiencia clínica. Una parte crucial del análisis BMA, el recuento diferencial de células (DCC), sigue siendo una tarea que requiere mucho tiempo y desperdicia energía y tiempo de los profesionales, y sus resultados están sujetos a la variabilidad entre observadores (Fuentes-Arderiu 2009). Se han realizado avances significativos hasta la fecha para ayudar a los profesionales durante el proceso de DCC y aumentar su eficiencia mediante el aprovechamiento de la inteligencia artificial. Sin embargo, estas herramientas no han sido ampliamente implementadas en entornos clínicos reales debido a la complejidad y alto precio de los dispositivos que permiten la digitalización de muestras BMA (Chandradevan 2020, Jin 2020).

Nuestro objetivo era desarrollar y evaluar un sistema digital simple e integrado (ver Figura) para cubrir todo el proceso, desde la digitalización de muestras hasta DCC facilitado por la interacción humano-inteligencia artificial (IA), mediante el uso de un brazo adaptador de microscopía impreso en 3D, un teléfono inteligente, una aplicación móvil y una plataforma de telemedicina basada en la web.

Métodos En primer lugar, un hematólogo o un técnico de laboratorio digitaliza 20 campos de microscopía (objetivo x100) utilizando el dispositivo impreso en 3D que permite acoplar un teléfono móvil y alinear su cámara con la lente ocular de un microscopio óptico convencional, y una aplicación móvil personalizada específicamente para obtener resultados rápidos y estandarizados. , y fácil digitalización de imágenes de microscopía BMA (Dacal 2021).

Una vez que las imágenes se han subido a la nube, los hematólogos pueden visualizar las muestras desplazándose y haciendo zoom en las imágenes y etiquetando los diferentes tipos de células. Estas anotaciones se utilizaron para entrenar el algoritmo de IA. La trazabilidad completa del sistema permite que varios usuarios etiqueten la misma imagen y también revisen los análisis de otros. Además, y una vez que se ha desarrollado el algoritmo de IA, a medida que las muestras de imágenes llegan al sistema en la nube, analiza automáticamente las imágenes detectando células nucleadas y clasificándolas en los 6 linajes celulares (mieloide, eritroide, monocítico, linfoide, blastos, y células plasmáticas). Este proceso se ejecuta unos segundos después de la carga de la imagen, por lo que cuando los hematólogos revisan la imagen, las anotaciones virtuales de IA en la muestra de la imagen están disponibles y listas para ser editadas, confirmadas o eliminadas para obtener un DCC final satisfactorio.

Para evaluar el impacto del sistema en el proceso DCC, se digitalizaron 16 BMA diferentes de los utilizados para entrenar el algoritmo utilizando el adaptador impreso en 3D, y 4 hematólogos analizaron y clasificaron de forma remota al menos 500 células por muestra de BMA utilizando la plataforma web. Cada muestra de BMA fue analizada por 1 hematólogo de manera ciega (sin soporte de IA) y por 3 hematólogos con soporte de algoritmo de IA. La selección de los hematólogos que fueron asistidos por la IA y los que realizaron el análisis ciego se realizó de forma rotativa. También se midió en ambos grupos el tiempo para realizar DCC (500 células) y la variabilidad interobservador por linaje celular.

Este sistema fue respaldado por un algoritmo de aprendizaje profundo de dos etapas que se creó para detectar y clasificar células madre hematopoyéticas en 6 linajes a partir de imágenes BMA. Se utilizó un total de 22446 células de 100 muestras de BMA para entrenar el algoritmo. El rendimiento del algoritmo de IA se calculó comparando su predicción de linaje y la etiqueta de consenso (voto mayoritario) entre 4 expertos para cada celda (N = 4401 celdas).

Resultados El rendimiento promedio del algoritmo de IA para clasificar células en muestras BMA fue 92.52% (95%CI 90.92-93.62) (98.25% para mieloides, 92.43% para eritroides, 82.60% para blastos, 58% para células plasmáticas, 86.82% para linfoides y 67. 63% para la clase monocítica).

La concordancia entre observadores aumentó significativamente cuando los análisis BMA se realizaron con apoyo de IA, pasando de 92.27% (95%CI 90.92-93.62) cuando los hematólogos analizaron las muestras sin asistencia de IA a 94.11% (95%CI 93.28-94.93) cuando fueron apoyados por IA. El tiempo para realizar un DCC (en 500 celdas) disminuyó cuando se utilizó IA, de 26,4 minutos en el grupo cegado a 21,8 minutos para los expertos apoyados por IA.

Conclusiones Gracias a las tecnologías móviles, cualquier laboratorio del mundo puede digitalizar y analizar fácilmente muestras de BMA. La IA puede ayudar a los hematólogos a analizar muestras de BMA aumentando la eficiencia y reduciendo la variabilidad entre observadores. Los sistemas diseñados para aumentar las capacidades analíticas y cuantitativas de los hematólogos requieren interactuar con la IA de una manera intuitiva y fácil de usar.