การตัดสินใจเกี่ยวกับการรักษาผู้ป่วย acute myeloid leukemia (AML) ซึ่งเป็นมะเร็งเม็ดเลือดขาวรูปแบบที่มีความรุนแรงสูงนั้น มีพื้นฐานมาจากลักษณะทางพันธุกรรมบางประการของโรค
Decisions on treatment for patients with acute myeloid leukemia (AML)—a highly aggressive form of leukemia—are based, among other things, on a series of certain genetic features of the disease.
Credit: Blood Advances (2023). DOI: 10.1182/bloodadvances.2023011076
Leukemia: ใช้ปัญญาประดิษฐ์ช่วยวินิจฉัยมะเร็งเม็ดเลือดขาว
การตัดสินใจเกี่ยวกับการรักษาผู้ป่วย acute myeloid leukemia (AML) ซึ่งเป็นมะเร็งเม็ดเลือดขาวรูปแบบที่มีความรุนแรงสูงนั้น มีพื้นฐานมาจากลักษณะทางพันธุกรรมบางประการของโรค เหนือสิ่งอื่นใด แต่ในขณะที่ทำการวินิจฉัย จะไม่มีข้อมูลนี้ หลักฐานของความผิดปกติทางพันธุกรรมเหล่านี้มีความสำคัญอย่างยิ่งในการให้การรักษาแบบตรงเป้าหมายสำหรับผู้ป่วยในระยะเริ่มแรก เนื่องจากการทดสอบทางพันธุกรรมมีราคาแพงและใช้เวลานาน จึงมีความจำเป็นอย่างมากสำหรับการทดสอบที่ไม่แพง รวดเร็ว และเข้าถึงได้อย่างกว้างขวางเพื่อทำนายความผิดปกติดังกล่าว
ทีมผู้เชี่ยวชาญด้านไอทีและแพทย์ที่มหาวิทยาลัย Münster และโรงพยาบาลมหาวิทยาลัย Münster ได้ตีพิมพ์ผลการศึกษาที่แสดงให้เห็นว่าวิธีการที่ใช้ปัญญาประดิษฐ์ (AI) สามารถใช้ในการทำนายลักษณะทางพันธุกรรมต่างๆ บนพื้นฐานของภาพกล้องจุลทรรศน์ที่มีความละเอียดสูงได้อย่างไร ของรอยเปื้อนไขกระดูก ส่งผลให้สามารถตัดสินใจการรักษาได้แม่นยำยิ่งขึ้นได้โดยตรงในวันที่วินิจฉัย โดยไม่ต้องรอการวิเคราะห์ทางพันธุกรรม ผลลัพธ์เหล่านี้ได้รับการตีพิมพ์ในวารสาร Blood Advances
ในวิธีการใหม่นี้ ความผิดปกติทางพันธุกรรมได้รับการสกัดโดยตรงจากการสแกนหลายกิกะไบต์ที่มีความละเอียดสูงมากจากการตรวจไขกระดูกทั้งหมดที่นำมาจากผู้ป่วย AML มากกว่า 400 ราย การสแกนมีความละเอียดโดยเฉลี่ย 270,000 คูณ 135,000 พิกเซล โดยภาพหนึ่งภาพมีขนาดหลายกิกะไบต์ จากชุดข้อมูลขนาดมหึมานี้ สามารถดึงภาพเซลล์เดียวได้มากกว่า 2 ล้านภาพ
“เราได้พัฒนา deep learning method รูปแบบใหม่แบบอัตโนมัติเต็มรูปแบบ ซึ่งได้รับการฝึกฝนสำหรับงานที่ซับซ้อนโดยใช้ machine learning technology” Prof. Benjamin Risse หัวหน้างานด้านการพัฒนาอัลกอริธึมด้านไอทีอธิบาย “ในกรณีของเรา อัลกอริธึมพื้นฐานสามารถจดจำลักษณะทางพันธุกรรมและรูปแบบที่ละเอียดมากในภาพทางเซลล์วิทยาขนาดใหญ่ได้โดยอัตโนมัติ จากนั้นวิธีการดังกล่าวจะกรองภาพเซลล์เดียวออกเป็นหมวดหมู่ของเซลล์ประเภทต่างๆ และยังแสดงให้เห็นความผิดปกติทางพันธุกรรมด้วย
“น่าสนใจที่รูปแบบต่างๆ ที่อัลกอริทึมจดจำได้ไม่สามารถระบุได้โดยผู้สังเกตการณ์ที่เป็นมนุษย์ ตัวอย่างเช่น เนื่องจากรูปแบบอาจจางเกินไปหรือเนื่องจากมีพื้นผิวที่ละเอียดมากซึ่งยังคงซ่อนเร้นอยู่ในสายตามนุษย์ แม้ว่าการถ่ายภาพจะดีเยี่ยมก็ตาม” Risse กล่าว
AI-based processing of bone-marrow smears to support leukaemia diagnosis. Credit: AG Risse
ข้อได้เปรียบที่สำคัญประการหนึ่งของวิธีการที่นำเสนอคือ end-to-end AI pipeline ซึ่งช่วยให้สามารถตรวจสอบผลลัพธ์ (ชั่วคราว) และลดงานเบื้องต้นด้วยตนเองซึ่งมักจำเป็นสำหรับการเรียนรู้ของเครื่องให้เหลือน้อยที่สุด สิ่งนี้เกิดขึ้นได้จากการผสมผสานระหว่างกระบวนการที่เรียกว่ากระบวนการเรียนรู้แบบไม่มีผู้ดูแล การควบคุมตนเอง และการควบคุมดูแล สองกระบวนการแรกไม่จำเป็นต้องเลือกข้อมูลด้วยตนเองเลย แต่พยายามแยกเนื้อหาที่เกี่ยวข้องออกจากข้อมูลรูปภาพโดยอัตโนมัติแทน
“โดยใช้สิ่งที่เรียกว่าวิธีการแบบเพิ่มหน่วย เราได้ดำเนินการขั้นตอนตัวกลางร่วมกับผู้เชี่ยวชาญที่เป็นมนุษย์เพื่อตรวจสอบภาพ ซึ่งจำเป็น เช่น ในภาพเซลล์ที่ถูกจัดประเภทว่าเป็นปัญหา” Dr. Linus Angenendt หัวหน้าแผนกการบำบัดมะเร็งเฉพาะบุคคลและระบบดิจิทัลกล่าว คณะทำงานด้านการแพทย์ที่โรงพยาบาลมหาวิทยาลัยมุนสเตอร์ ภาพเซลล์ที่มีปัญหาอาจเกิดขึ้นได้เนื่องจากการย้อมสีที่ไม่ถูกต้อง เป็นต้น โมเดลที่ผ่านการฝึกอบรมได้รับการประเมินในเวลาต่อมาบนชุดข้อมูลอิสระที่เกี่ยวข้องกับผู้ป่วยเพิ่มเติม 70 ราย ที่มีภาพเซลล์เดียวมากกว่า 440,000 ภาพ เป็นกลุ่มทดสอบ
แม้ว่าวิธีการใหม่นี้จะไม่สามารถแทนที่การวิเคราะห์ทางพันธุกรรมได้ แต่ก็ยังช่วยได้ตั้งแต่ระยะเริ่มแรกในกระบวนการชี้แจงการวินิจฉัยสำหรับผู้ป่วยโรคมะเร็งเม็ดเลือดขาว โดยให้แนวคิดว่าความผิดปกติทางพันธุกรรมใดที่อาจเป็นสาเหตุของโรคนี้ ซึ่งจะเป็นประโยชน์อย่างยิ่งในกรณีของโรคร้ายแรงเมื่อไม่มีเวลารอการวิเคราะห์ทางพันธุกรรมให้เสร็จสิ้น
นักวิจัยมั่นใจว่าในอนาคตวิธีการดิจิทัลและปัญญาประดิษฐ์จะมีความสำคัญมากขึ้นสำหรับชุดข้อมูลทางการแพทย์ขนาดใหญ่ เมื่อให้คำแนะนำส่วนบุคคลสำหรับการรักษาผู้ป่วยโรคมะเร็ง การศึกษาครั้งนี้มีส่วนช่วยเป็นพื้นฐานที่สำคัญสำหรับสิ่งนี้ เช่น ในการพัฒนาแนวทางที่คล้ายกันสำหรับโรคไขกระดูกอื่นๆ