News

Das "Paper of the Month" 02/2024 geht an Jacqueline Kockwelp (CeRA), Jannis Bartsch, Christoph Schliemann und Linus Angenendt (Med A)

v.l.n.r.: Sebastian Thiele, Prof. Christoph Schliemann, PD Linus Angenendt (via Zoom zugeschaltet), Jannis Bartsch (via Zoom), Jacqueline Kockwelp, Prof. Benjamin Risse und Dr. Lars Haalck (Foto: Leon Pielage)

Für den Monat Februar 2024 geht das „Paper of the Month“ der Medizinischen Fakultät der Universität Münster an:
Jacqueline Kockwelp (Centrum für Reproduktionsmedizin und Andrologie) Jannis Bartsch, Christoph Schliemann und Linus Angenendt (Medizinische Klinik A) für die Publikation:
Deep learning predicts therapy-relevant genetics in acute myeloid leukemia from Pappenheim-stained bone marrow smears
Kockwelp J, Thiele S, Bartsch J, Haalck L, Gromoll J, Schlatt S, Exeler R, Bleckmann A, Lenz G, Wolf S, Steffen B, Berdel WE, Schliemann C, Risse B, Angenendt L. Blood Adv. Jan 2024 | 8(1):70-79.

Begründung der Auswahl:
In dieser Arbeit wird die Deep-Learning-Methode genutzt, um genetische Aberrationen direkt aus Einzelzellbildern von Scans konventionell gefärbter Knochenmarkausstriche bei Akuter Myeloischer Leukämie (AML) vorherzusagen. Diese Methode hat das Potenzial, schnell, kostengünstig und automatisiert therapierelevante genetische Aberrationen bei Patienten mit AML bereits am Tag der Diagnose zu untersuchen.

Zu Hintergrund, Fragestellung und Bedeutung der Publikation:
Die richtige Therapiewahl für Patienten mit Akuter Myeloischer Leukämie hängt entscheidend von den zugrundeliegenden genetischen Veränderungen ab. Zwar ist für wenige relevante Genveränderungen bekannt, dass sich diese auch morphologisch äußern können, dennoch ist ein visuelles Erkennen dieser Veränderungen der Zellen oftmals nicht möglich, sodass die Wahl der Erstlinientherapien auf zeitaufwändigen und teuren genetischen Analysen basiert.
Es wurden zwei auf Machine-learning basiererende Pipelines entwickelt mit dem sehr hochaufgelösten Whole-Slide-Scan von Knochenmarkausstrichen vollautomatisiert verarbeitet und analysiert werden können. Mit der ersten Pipeline können einzelne Zellen identifiziert, extrahiert und klassifiziert werden. Die zweite Pipeline besteht aus mehreren Neuronalen Netzen, für deren Entwicklung die Daten von über 400 AML-Patienten verwendet wurden. Die zuvor extrahierten einzelnen Zellen können dann genutzt werden, um verschiedene therapierelevante genetische Mutationen wie im FLT3-Gen, welche nach heutigem Kenntnisstand nicht zu charakteristischen zytomorphologischen Veränderungen führen, vorherzusagen. Die Pipelines wurden anhand eines separaten Datensatzes von weiteren 70 Patienten validiert.
Das neue Verfahren, bei dem die Ergebnisse in kürzester Zeit vorliegen, ist eine Ergänzung zur genetischen Routinediagnostik, um Hämatologen und Onkologen bei der Wahl einer geeigneten Therapieform frühzeitig zu unterstützen, und stellt eine Grundlage für die Entwicklung zukünftiger Ansätze dar, die ebenfalls auf künstlicher Intelligenz basieren.


Background and fundamental question of the publication:
The right choice of therapy for patients with acute myeloid leukemia (AML) depends crucially on the underlying genetic changes. Although it is known that a few relevant genetic changes can also manifest themselves morphologically, it is often not possible to visually identify these changes in the cells, meaning that the choice of first-line therapies is based on time-consuming and expensive genetic analyses.
Two machine-learning based pipelines were developed with which very high-resolution whole-slide scans of bone marrow smears can be processed and analysed in a fully automated manner. With the first pipeline, individual cells can be identified, extracted and classified. The second pipeline consists of several neural networks, which were developed using data from over 400 AML patients. The previously extracted individual cells can then be used to predict various therapy-relevant genetic mutations, e.g., in the FLT3 gene, which according to current knowledge do not lead to characteristic cytomorphological changes. The pipelines were validated on a separate dataset of further 70 patients.
The new procedure, which can provide results in short time, complements routine genetic diagnostics to support haematologists and oncologists in choosing a suitable form of therapy at an early stage and provides a basis for the development of future approaches that are also based on artificial intelligence.

Die bisherigen ausgezeichneten „Papers of the Month“ finden Sie HIER.

This could be interesting for you too: