Het mobilenetV2+ Yolo_v8-model kan worden gebruikt als snelle prescreening en beslissingsondersteunende tool voor beenmergbetrokkenheid bij patiënten met diffuus grootcellig B-cellymfoom. Volgens de Chinese onderzoekers kan dit vooral in gebieden met weinig morfologen of schaarse medische middelen uitkomst bieden.
Bij 11 tot 34% van de patiënten met diffuus grootcellig B-cellymfoom (DLBCL) is al bij de diagnose het beenmerg betrokken. Deze groep heeft doorgaans een slechte prognose. Het diagnosticeren van DLBCL-invasie via beenmerguitstrijkjes is echter tijdrovend. Bovendien bestaat er een behoorlijke variatie tussen verschillende morfologen.
De afgelopen jaren heeft kunstmatige intelligentie (AI) laten zien dat het kan ondersteunen bij de herkenning van de morfologie van bloedcellen. De wetenschappers onderzochten daarom de waarde van AI bij de diagnose van beenmerginvasie bij DLBCL.
Ze verzamelden 20 gedigitaliseerde beenmerguitstrijkjes van DLBCL-patiënten met beenmergbetrokkenheid als datasets voor training en validatie. Ze selecteerden 2.670 region of interest (ROI)-plakjes en 4.695 niet-ROI-plakjes om een ROI-classificatiegegevensset te vormen.
Vijf klassieke deep-learning modellen werden getraind: ResNet50, ResNet101, DenseNet121, MobileNet en Vgg16. De analyseresultaten van ervaren morfologen dienden als gouden standaard om de nauwkeurigheid, gevoeligheid en specificiteit van het AI-model te evalueren
Het optimale model bleek mobilenetV2+ Yolo_v8 te zijn. De nauwkeurigheid van het AI-model, junior personeel en gemiddeld personeel bij het diagnosticeren van DLBCL-beenmerginvasie was respectievelijk 93,8, 71,9 en 81,3%. De gevoeligheid was respectievelijk 92,9, 100,0 en 85,7%, de specificiteit respectievelijk 94,4, 50,0 en 77,8%. De area under the curve (AUC) van het AI-model, junior personeel en intermediair personeel was respectievelijk 0,894, 0,857 en 0,923. De prestaties van het AI-model waren hiermee beter dan die van junior personeel.
Bron: