人工智慧與機器學習的血液學運用 AI and Machine Learning (1) 自動化診斷
本文為讀完《歐洲血液學會新興技術應用治療重點回顧 EHA Perspectives on Emerging Technologies in Hematology》報告2024年與聽 EHA 2024 的重點整理與心得筆記。著重在機器學習與人工智慧。
文 | 吳懷珏 Gem Huai-Chueh Wu
歐洲血液學會滿積極地與現代科技接軌，今年發佈的報告，顯示他們的決心。會議中新發表的新治療繁多，只好重點式地分門別類：
一、基因編輯 (Gene Editing)
二、免疫作用細胞治療 (Immune effector cell therapy)
三、多體學 (Multi-omics)
四、人工智慧與機器學習 (AI and machine learning) [本篇]
五、診斷檢驗新技術 (New tools for diagnosis & testing)
概論
人工智慧（AI）和機器學習（ML）常常被交替誤用。ML 其實是 AI 的子集。
機器學習（ML）：通過從訓練數據中學習，來計算並預測複雜數據結構中的重要結果。
人工智慧（AI）：一個能自主推理、理解和行動，以模仿人類智慧解決複雜問題的系統。
AI 在血液學實踐的各個方面預計將產生重大影響：增強患者與醫生的互動、自動化診斷和篩查、個人化治療階段、監測患者健康和參與度，以及支持研究和臨床試驗。
人工智慧x自動化診斷
目前的應用主要在「細胞型態 (cell morphology) 」，包括週邊血液 (peripheral blood, PB) 與骨髓 (bone marrow, BM) 檢體。
2024 年九月去丹麥開功能精準會議時，與一位芬蘭的生醫影像處理專家聊 LLM 能否處理個別細胞影像，她說她平時用 ChatGPT 處理文書工作，但細胞影像分析的話，還是卷積神經網路（Convolutional Neural Networks, CNN）表現得比較好，她推測 LLM 比較能處理語言（包括程式語言、不同語系語言轉換），但對 2D 圖像的細節分析能力比較有限。雖然 LLM 可以處理一些 2D 圖像的判讀與簡單生成，在細節上仍難有突破。
目前截至 2024 年的發展如下：
臨床試驗 BELUGA (NCT04466059)1：前瞻、雙盲，將基於AI的雲端平台與傳統人工外周血液差異計數進行了比較，涵蓋了超過29,000例病例。結果顯示，兩種方法之間的符合率為94.5％，AI驅動的平台在可重複性和處理時間方面均優於人工。
自動化診斷方法 Haemorasis2：用機器學習處理細胞形態學和血液計數，有效地區分出特定的骨髓增生異常綜合症（Myelodysplastic syndrome, MDS）突變形式（SF3B1）與其他種 MDS。
自動化診斷方法 SCEMILA3：是個基於單細胞的可解釋人工智慧模型，該模型用於從血液塗片中分類AML亞型，基於來自129名AML患者和60名健康對照組的超過80,000張單個白血球影像進行訓練。SCEMILA能夠完美區分AML患者與健康對照組，以高準確度預測AML的基因亞型，並識別出具有臨床相關性的細胞。
演算法開發：德國德勒斯登大學團隊開發了多步驟的深度機器學習 (multi-step deep ML approach) 4可以自動分割了骨髓影像中的細胞，準確地區分急性骨髓性白血病（AML）樣本和健康對照組，並且僅通過影像數據預測了常見的AML突變NPM1。
演算法開發：荷蘭拉德堡德大學團隊開發了一種用於檢測瀰漫性大B細胞淋巴瘤（diffuse large B cell lymphoma, DLBCL）組織切片中MYC重組的深度學習演算法5，實現了簡單而快速的預篩選 (prescreening)，從而減少了34％的基因測試需求。
這些研究顯示出一致、動態模型的潛力，幾乎可以作為臨床參考，整合不同的數據來源，在有限的人為干預下找到每個患者的最佳診斷方法。
Haferlach T. Machine learning in morphological diagnosis of hematological disease. Oral presentation at EHA2024
de Almeida JG, Gudgin E, Besser M, et al. Computational analysis of peripheral blood smears detects disease associated cytomorphologies. Nature Communications. 2023;14(1):4378
Hehr M, Sadafi A, Matek C, et al. Explainable AI identifies diagnostic cells of genetic AML subtypes. PLOS Digital Health. 2023;2(3):e0000187
Eckardt, J. N., Middeke, J. M., Riechert, S., Schmittmann, T., Sulaiman, A. S., Kramer, M., ... & Bornhäuser, M. (2022). Deep learning detects acute myeloid leukemia and predicts NPM1 mutation status from bone marrow smears. Leukemia, 36(1), 111-118.
Swiderska-Chadaj, Z., Hebeda, K. M., van den Brand, M., & Litjens, G. (2021). Artificial intelligence to detect MYC translocation in slides of diffuse large B-cell lymphoma. Virchows Archiv, 479, 617-621.