Skip to main content
Erschienen in: InFo Hämatologie + Onkologie 5/2024

17.05.2024 | Künstliche Intelligenz | Schwerpunkt

Schwerpunkt „KI in der Hämatologie und Onkologie“

Bildorientierte KI zur Unterstützung der zytomorphologischen Leukämiediagnostik

verfasst von: Dr. Dr. med. Christian Matek, M.Sc., Prof. Dr. med. Karsten Spiekermann, Dr. Carsten Marr

Erschienen in: InFo Hämatologie + Onkologie | Ausgabe 5/2024

Einloggen, um Zugang zu erhalten

Auszug

KI-basierte Klassifikationsansätze könnten die hämatologische Morphologiediagnostik nicht nur optimieren, sondern auch helfen, bisher unbekannte morphomoleklulare Zusammenhänge aufzudecken. Über Hintergründe und Voraussetzungen informiert dieser Beitrag. …
Literatur
1.
Zurück zum Zitat Arber DA et al. International Consensus Classification of Myeloid Neoplasms and Acute Leukemias: integrating morphologic, clinical, and genomic data. Blood. 2022;140(11):1200-28 Arber DA et al. International Consensus Classification of Myeloid Neoplasms and Acute Leukemias: integrating morphologic, clinical, and genomic data. Blood. 2022;140(11):1200-28
2.
Zurück zum Zitat Shaver AC et al. Nuances of Morphology in Myelodysplastic Diseases in the Age of Molecular Diagnostics. Curr Hematol Malig Rep. 2017;12(5):448-54 Shaver AC et al. Nuances of Morphology in Myelodysplastic Diseases in the Age of Molecular Diagnostics. Curr Hematol Malig Rep. 2017;12(5):448-54
3.
Zurück zum Zitat Font P et al. Inter-observer variance with the diagnosis of myelodysplastic syndromes (MDS) following the 2008 WHO classification. Ann Hematol. 2013;92(1):19-24 Font P et al. Inter-observer variance with the diagnosis of myelodysplastic syndromes (MDS) following the 2008 WHO classification. Ann Hematol. 2013;92(1):19-24
4.
Zurück zum Zitat Fuentes-Arderiu X et al. Measurement uncertainty in manual differential leukocyte counting. Clin Chem Lab Med. 2009;47(1):112-5 Fuentes-Arderiu X et al. Measurement uncertainty in manual differential leukocyte counting. Clin Chem Lab Med. 2009;47(1):112-5
6.
Zurück zum Zitat Matek C et al. Human-level recognition of blast cells in acute myeloid leukaemia with convolutional neural networks. Nat Mach Intell. 2019;1(11):538-44 Matek C et al. Human-level recognition of blast cells in acute myeloid leukaemia with convolutional neural networks. Nat Mach Intell. 2019;1(11):538-44
7.
Zurück zum Zitat Peng K et al. Automated bone marrow cell classification through dual attention gates dense neural networks. J Cancer Res Clin Oncol. 2023;149(19):16971-81 Peng K et al. Automated bone marrow cell classification through dual attention gates dense neural networks. J Cancer Res Clin Oncol. 2023;149(19):16971-81
8.
Zurück zum Zitat Matek C et al. Highly accurate differentiation of bone marrow cell morphologies using deep neural networks on a large image data set. Blood. 2021;138(20):1917-27 Matek C et al. Highly accurate differentiation of bone marrow cell morphologies using deep neural networks on a large image data set. Blood. 2021;138(20):1917-27
9.
Zurück zum Zitat Kockwelp J et al. Deep learning predicts therapy-relevant genetics in acute myeloid leukemia from Pappenheim-stained bone marrow smears. Blood Adv. 2024;8(1):70-9 Kockwelp J et al. Deep learning predicts therapy-relevant genetics in acute myeloid leukemia from Pappenheim-stained bone marrow smears. Blood Adv. 2024;8(1):70-9
10.
Zurück zum Zitat Jennifer SS et al. Sickle cell disease classification using deep learning. Heliyon. 2023;9(11):e22203 Jennifer SS et al. Sickle cell disease classification using deep learning. Heliyon. 2023;9(11):e22203
11.
Zurück zum Zitat Samek W et al. (Hrsg). Explainable AI: Interpreting, Explaining and Visualizing Deep Learning. Cham, Schweiz: Springer Nature; 2019 Samek W et al. (Hrsg). Explainable AI: Interpreting, Explaining and Visualizing Deep Learning. Cham, Schweiz: Springer Nature; 2019
12.
Zurück zum Zitat Ilse M et al. Attention-based Deep Multiple Instance Learning. In: Dy J, Krause A (Hrsg.). Proceedings of the 35th International Conference on Machine Learning. PMLR. Jul 10-15 2018; Stockholm, Schweden. 2018. S. 2127-36 Ilse M et al. Attention-based Deep Multiple Instance Learning. In: Dy J, Krause A (Hrsg.). Proceedings of the 35th International Conference on Machine Learning. PMLR. Jul 10-15 2018; Stockholm, Schweden. 2018. S. 2127-36
13.
Zurück zum Zitat Hehr M et al. Explainable AI identifies diagnostic cells of genetic AML subtypes. PLOS Digit Health. 2023;2(3):e0000187 Hehr M et al. Explainable AI identifies diagnostic cells of genetic AML subtypes. PLOS Digit Health. 2023;2(3):e0000187
14.
Zurück zum Zitat Eckardt JN et al. Deep learning detects acute myeloid leukemia and predicts NPM1 mutation status from bone marrow smears. Leukemia. 2022;36(1):111-8 Eckardt JN et al. Deep learning detects acute myeloid leukemia and predicts NPM1 mutation status from bone marrow smears. Leukemia. 2022;36(1):111-8
15.
Zurück zum Zitat Sadafi A et al. Attention Based Multiple Instance Learning for Classification of Blood Cell Disorders. In: Martel AL et al (Hrsg.). Medical Image Computing and Computer Assisted Intervention - MICCAI 2020. Okt 4-8 2020; Lima, Peru. Cham, Schweiz: Springer Nature. 2020. S. 246-56 Sadafi A et al. Attention Based Multiple Instance Learning for Classification of Blood Cell Disorders. In: Martel AL et al (Hrsg.). Medical Image Computing and Computer Assisted Intervention - MICCAI 2020. Okt 4-8 2020; Lima, Peru. Cham, Schweiz: Springer Nature. 2020. S. 246-56
18.
Zurück zum Zitat Acevedo A et al. A dataset of microscopic peripheral blood cell images for development of automatic recognition systems. Data Brief. 2020;30:105474 Acevedo A et al. A dataset of microscopic peripheral blood cell images for development of automatic recognition systems. Data Brief. 2020;30:105474
19.
Zurück zum Zitat Sadafi A et al. Pixel-Level Explanation of Multiple Instance Learning Models in Biomedical Single Cell Images. In: Frangi A et al. (Hrsg.). Information Processing in Medical Imaging. Jun 18-23 2023; San Carlos de Bariloche, Argentinien. Cham, Schweiz: Springer Nature. 2023. S. 170-82 Sadafi A et al. Pixel-Level Explanation of Multiple Instance Learning Models in Biomedical Single Cell Images. In: Frangi A et al. (Hrsg.). Information Processing in Medical Imaging. Jun 18-23 2023; San Carlos de Bariloche, Argentinien. Cham, Schweiz: Springer Nature. 2023. S. 170-82
Metadaten
Titel
Schwerpunkt „KI in der Hämatologie und Onkologie“
Bildorientierte KI zur Unterstützung der zytomorphologischen Leukämiediagnostik
verfasst von
Dr. Dr. med. Christian Matek, M.Sc.
Prof. Dr. med. Karsten Spiekermann
Dr. Carsten Marr
Publikationsdatum
17.05.2024
Verlag
Springer Medizin
Erschienen in
InFo Hämatologie + Onkologie / Ausgabe 5/2024
Print ISSN: 2662-1754
Elektronische ISSN: 2662-1762
DOI
https://doi.org/10.1007/s15004-024-0564-7

Weitere Artikel der Ausgabe 5/2024

InFo Hämatologie + Onkologie 5/2024 Zur Ausgabe

Neues aus der Forschung

Beim Melanom wenig erfolgreich?

Neues aus der Forschung

Das Herzrisiko dürfte sinken

Wann kann auf eine Axilladissektion verzichtet werden?

19.06.2024 Senologiekongress 2024 Kongressbericht

Der Trend bei der axillären Therapie von Betroffenen mit einem Mammakarzinom ist die Deeskalation. Ein wichtiger Meilenstein ist hierbei die SENOMAC-Studie: Deren Ergebnisse werden voraussichtlich die Leitlinienempfehlungen beeinflussen. 

US-Veteranen-Daten sprechen für Lungenkrebsscreening – oder?

19.06.2024 Lungenkarzinome Nachrichten

Ein bildgebungsbasiertes Lungenkrebsscreening scheint bei lungenkrebskranken US-Veteranen mit früherer Diagnosestellung und besserer Prognose einherzugehen, so die Ergebnisse einer aktuellen Studie. Deren Methodik erschwert allerdings die Interpretation der Befunde.

Neue Behandlungsoption für stark vorbehandelte TNBC-Patientinnen

19.06.2024 ASCO 2024 Kongressbericht

Intensiv vorbehandelte Patientinnen mit triple-negativem Mammakarzinom erfahren unter einer Therapie mit Sacituzumab tirumotecan im Vergleich zur Chemotherapie eine deutliche und klinisch bedeutsame Verbesserung im progressionsfreien Überleben und Gesamtüberleben.

CAR-T-Zell-Therapie bei jungen Leukämiekranken hat sich weiterentwickelt

18.06.2024 ASCO 2024 Kongressbericht

Seit der Zulassung von Tisagenlecleucel für pädiatrische und adoleszente Patientinnen und Patienten mit rezidivierter oder refraktärer B-Zell akuter lymphatischer Leukämie haben sich die Einsatzroutinen in der Praxis verändert. Kritisch hinterfragt wird nun der Nutzen der anschließenden Stammzelltherapie.

Update Onkologie

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.