Modelado predictivo para el diagnóstico precoz en neoplasias mieloproliferativas tempranas, no especificadas de otro...

Área de la Ciencia:

• Hematología Hematología.
• Patología Computacional Patología Computacional.
• La inteligencia artificial es inteligencia artificial.

Sus antecedentes:

• La inteligencia artificial (IA) es cada vez más valiosa para diagnosticar trastornos de la sangre.
• Imágenes de diapositivas completas (WSI) de biopsias de médula ósea (BMB) ofrecen vistas de alta resolución para una mejor interpretación.
• La adopción de IA puede mejorar el análisis de BMBs para sospechas de neoplasias mieloproliferativas tempranas (MPN).

Objetivo del estudio:

• Desarrollar y evaluar un modelo de clasificación basado en IA para los subtipos de MPN utilizando WSI de BMBs.
• Evaluar la precisión del modelo para distinguir entre la mielofibrosis primaria prefibrótica (pre-PMF), la policitemia vera (PV) y la trombocitemia esencial (ET).
• Para probar el rendimiento del modelo en casos MPN no especificados de otra manera (MPN-NOS).

Principales métodos:

• Se analizó un conjunto de datos retrospectivo de BMB manchados con H&E de 88 pacientes con MPN.
• La IA se utilizó para calcular la celularidad, la densidad celular y las características morfológicas de los megacariocitos.
• Se entrenó y validó un clasificador de máquina vectorial de soporte (SVM) utilizando validación cruzada de 5 veces.

Principales resultados:

• El modelo de IA logró un área multiclase media bajo la curva (AUC) de 0.70.
• El modelo demostró una precisión de 0,60 en la clasificación de los subtipos de MPN.
• El modelo estuvo de acuerdo con las clasificaciones de los patólogos para los casos de MPN-NOS el 61,5% del tiempo.

Conclusiones:

• Este estudio es un paso preliminar hacia herramientas automatizadas para el diagnóstico de MPN.
• El análisis asistido por IA de BMBs puede potencialmente apoyar a hematólogos y patólogos.
• El desarrollo adicional de herramientas de IA puede mejorar el manejo clínico de pacientes con MPN.