人工知能は,骨髄生検画像をデジタル化して,血栓塞栓症と精性血栓塞栓症を区別する
Andrew Srisuwananukorn1, Giuseppe Gaetano Loscocco2,3, James M Dolezal4
1Division of Hematology, Department of Internal Medicine, The Ohio State University Comprehensive Cancer Center, Columbus, OH, USA. Andrew.srisuwananukorn@osumc.edu.
Leukemia
|February 20, 2026
まとめ
人工知能は,骨髄生検画像を用いて,プリファイブロティック・プライマリ・ミエロファイブロシス (prePMF) とエッセンシャル・トロンボシテミア (ET) を区別できるようになりました. このAIツールは,微妙な形態学的違いを特定することによって,これらの骨髄増殖性腫瘍 (MPN) の診断に役立ちます.
科学分野:
- 血液病理学 血液病理学
- 医療における人工知能
- 骨髄増殖性新生体 (Myeloproliferative Neoplasms) とは,骨髄増殖性新生体 (Myeloproliferative Neoplasms) とは,骨髄増殖性新生体 (Myeloproliferative Neoplasms) とは,骨髄増殖性新生体 (Myeloproliferative Neoplasms) とは,骨髄増殖性新生体 (Myeloproliferative Neoplasms) とは,骨髄増殖性新生体 (Myeloproliferative Neoplasms) とは,骨髄増殖性新生体 (Myeloproliferative Neoplasms) とは,骨髄増殖性新生体 (Myeloproliferative Neoplasms) とは,骨髄増殖性新生体 (Myeloproliferative Neoplasms) とは,骨髄増殖性新生体 (Myeloproliferative
背景:
- プレフィブロティック原発性骨髄膜症 (prePMF) とエッセンシャル血小板血症 (ET) は,重複する臨床的特徴を持つ異なる骨髄増殖性腫瘍 (MPN) であり,診断上の課題を引き起こします.
- 適切な患者管理と治療戦略のために,prePMFとETの正確な差別化は極めて重要です.
研究 の 目的:
- デジタル化された骨髄生検 (BMB) スライドを使用して,prePMFとETを区別するための解釈可能な人工知能 (AI) フレームワークを開発し,検証する.
- これらのMPNを区別するためにAIモデルによって利用される形態学的特徴を調査する.
主な方法:
- MPNの血栓細胞症患者のデジタル化されたH&Eで染められたBMBスライドで訓練されたAIフレームワークの開発.
- AUROCと精度メトリックを使用してAIモデルのパフォーマンスの検証.
- 人工知能によって誘導される形態学的ヒントを視覚化するための合成画像の生成.
- 血液病理学者の盲検調査で,実際の画像と合成画像でAIの予測を評価しています.
- リアル画像と生成された画像の両方で,骨髄の細胞性と脂肪性の定量化.
主要な成果:
- AIモデルは,prePMFとET.を区別する際に,AUROCの0.89と92.3%の精度を達成しました.
- 血液病理学者は,実際の画像ではAIと高い合意を示したが,AIによって生成されたET画像では有意な不一致 (88%まで) を示した.
- AIは,現在の診断基準とは異なるET (42.0%) と前PMF (28.9%) と比較して,より高い割合の骨髄脂肪化などの形態学的ヒントを特定しました.
結論:
- AIは,BMB形態を用いて,prePMFとETを効果的に区別し,潜在的に脂肪比率のような新しい診断特性を特定することができます.
- AI支援の診断ツールは,MPNのヒストポトロジック評価の強化に有望であることが示されています.
- このアプローチは,MPN内のより特定のサブ集団の識別につながり,診断の精度を向上させる可能性があります.
