Geri Dön

Kemik iliği biyopsilerinde megakaryositlerin yapay zeka ile segmentasyonu

Artificial intelligence-based segmentation of megakaryocytes in bone marrow biopsies

PDF İndir

  1. Tez No: 914117
  2. Yazar: NERMİN ARAS
  3. Danışmanlar: PROF. DR. GÜLŞAH KAYGUSUZ
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Patoloji, Pathology
  6. Anahtar Kelimeler: Esansiyel trombositemi, miyeloproliferatif neoplazi, polisitemia vera, primer miyelofibrozis, yapay zeka, Artificial intelligence, essential thrombocythemia, myeloproliferative neoplasm, polycythemia vera, primary myelofibrosis
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Tıbbi Patoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 129

Özet

Amaç: Polisitemia vera (PV), esansiyel trombositemi (ET) ve primer myelofibrozis (PMF) BCR::ABL1 negatif miyeloproliferatif neoplazilerin (MPN) üç klasik subtipidir. Ortak klinikopatolojik ve moleküler özellikler gösteren MPN'lerde hastalık yönetiminin en zorlu yönü farklı hastalık komplikasyonları ve progresyon riskine sahip subtiplerin ayrımının yapılmasıdır. Yapay zeka (YZ) teknolojileriyle görüntü analizleri, geleneksel morfolojik değerlendirmeyi geliştirme ve dönüştürme potansiyeline sahiptir. Bu çalışmada MPN grubu hastalıkların tanı sürecinde patologlara yardımcı olabilecek YZ modellerinin, megakaryosit özelliklerinin tanımlanması, kalitatif ve kantitatif analizi ve MPN tanısı ve subtipleri arasında ayrım yapma potansiyelini değerlendirmek amacıyla bir dizi makine öğrenme modeli geliştirmek amaçlanmıştır. Gereç ve Yöntem: Ocak 2012-Eylül 2024 yılları arasında ana bilim dalımızda tanı alan, tamamı prefibrotik dönem 27 PV, 37 ET, 17 PMF olgularına ait kemik iliği biyopsileri; hematolenfoid hastalık ve kemoterapötik ajan kullanım öyküsü bulunmayan 26 non-neoplastik kemik iliği biyopsisine ait H&E boyalı kesitler retrospektif olarak taranmış ve dijital tarama cihazıyla (3DHISTECH) dijital ortama aktarılmıştır. Dijital görüntülerde megakaryositlerin nükleusları ayrıştırılarak (normal, çıplak, ayrık, bulböz, hiperkromatik, hiperlobe nükleus, monolobe-hipolobe-mikromegakaryosit), sitoplazmik konturları ve kümelenmeleri ile birlikte PACS üzerinden manuel etiketlenmiştir. Etiketli görüntü verileri ile megakaryosit sitomorfolojisi ve topografisi temeline dayanan YZ ile megakaryosit segmentasyonu, klasifikasyonu ve MPN tanısı ve subtiplerinin ayrımı için algoritmalar oluşturulmuştur. Bulgular: Segmentasyon modelinin megakaryositleri %87,6 F1-skor ile tespit edebildiği görülmüştür. Klasifikasyon modelinin displastik-normal megakaryositleri yüksek doğrulukta (%96,74) ayırt edebildiği gösterilmiş ve morfolojilerine göre megakaryositlerin nükleer sınıflarını göre yüksek performans ile (%92,53 doğruluk) tahmin edebildiği saptanmıştır. Bu algoritma çıktıları ile oluşturulan tanı modelinin MPN'leri, non-neoplastik kemik iliğinden ortalama %94 doğruluk ile ayırt edebildiği saptanmıştır (en iyi modelde %100). MPN subtipleri ayırıcı tanı modellerinde sadece morfolojik veriler ile eğitimde %81,48 doğruluk gözlenmiştir. Olgulara ait klinik ve laboratuvar verilerinin basamaklı eklenmesiyle tanı doğruluğu %92,59'a kadar yükselmiştir. Sonuç: Çalışmamız, YZ modellerinin megakaryositlerin segmentasyonu ve klasifikasyonu, MPN tanısı ve subtiplerin ayrımı süreçlerinde uygulanabilirliğini göstermiştir. Elde edilen sonuçlar, bu tür modellerin, patologlara iş akışının otomatizasyonu ile destek sağlayarak tanı süreçlerini hızlandırabileceğini ve objektif sonuçlar sunabileceğini ortaya koymaktadır. Spesifik bir hücre soyu veya spesifik bir tümör alanının YZ teknolojileri aracılığıyla tespit edilebildiğini gösteren çalışmalar bulunmakla birlikte, heterojen bir hastalık grubu olan MPN tanısı ve subtiplerinin ayrımını araştıran çalışmamız, ülkemizdeki ilk çalışma niteliğindedir. Bulgular, tanı süreçlerinin iyileştirilmesi ve patoloji raporlarının optimizasyonu açısından umut vaat etmektedir. Tanı modellerinin performans metrikleri, modellerin klinik ortamlarda güvenle kullanılabileceğini göstermektedir. Geliştirilen yaklaşımların diğer hematolojik malignitelere ve kantitatif histolojik değerlendirmenin henüz mevcut olmadığı diğer neoplazilere de kolayca uyarlanabileceği düşünülmektedir.

Özet (Çeviri)

Objective: Polycythemia vera (PV), essential thrombocythemia (ET), and primary myelofibrosis (PMF) constitute the three classical subtypes of BCR::ABL1-negative myeloproliferative neoplasms (MPN). In MPNs, which share common clinicopathological and molecular features, the most challenging aspect of disease management is distinguishing between subtypes that carry different risks of disease complications and progression. Artificial intelligence (AI) technologies have the potential to enhance and transform traditional morphological assessments through image analysis. This study aims to develop a series of machine learning models to assist pathologists in the diagnostic process of MPNs by identifying, qualitatively and quantitatively analyzing megakaryocyte features, and differentiating between MPN subtypes. Materials and Methods: Hematoxylin&Eosin-stained (H&E) bone marrow biopsy sections from 27 PV, 37 ET, and 17 PMF cases diagnosed in our department between January 2012 and September 2024, all in the prefibrotic stage, as well as 26 non-neoplastic bone marrow biopsies from patients with no history of hematolymphoid diseases or chemotherapy, were retrospectively reviewed and digitized using a digital scanning device (3DHISTECH). In digital images, the nuclei of megakaryocytes (classified as normal, bare, separated, bulbous, hyperchromatic, hyperlobated, monolobated-hypolobated-micromegakaryocytes), along with their cytoplasmic contours and clusters, were manually labeled via PACS. Using the labeled image data, AI-based algorithms were developed for megakaryocyte segmentation, classification, and differentiation of MPN subtypes based on megakaryocyte cytomorphology and topography. Results: The segmentation model successfully detected megakaryocytes with an F1-score of 87.6%. The classification model achieved high accuracy (96.74%) in distinguishing dysplastic from normal megakaryocytes and demonstrated strong performance in predicting the nuclear classes of megakaryocytes based on their morphology (92.53% accuracy). The diagnostic model, developed using these algorithmic outputs, was found to distinguish MPNs from non-neoplastic bone marrow with an average accuracy of 94% (reaching up to 100% in the best-performing model). Diagnostic models for differentiating MPN subtypes achieved an accuracy of 81.48% when trained using only morphological data. Sequential incorporation of clinical and laboratory data from cases improved the diagnostic accuracy to 92.59%. Conclusion: This study demonstrated the applicability of AI models in the segmentation and classification of megakaryocytes, as well as in the diagnosis of MPNs and the differentiation of their subtypes. The findings suggest that these models have the potential to support pathologists by automating workflows, accelerating diagnostic processes, and providing objective results. While previous studies have demonstrated the ability to identify specific cell lineages or tumor areas using AI technologies, our study represents the first in our country to investigate the diagnosis and subtype differentiation of MPNs, a heterogeneous group of diseases. The results are promising for improving diagnostic processes and optimizing pathology reports. The performance metrics of the diagnostic models indicate that these tools can be reliably utilized in clinical settings. Furthermore, the approaches developed are anticipated to be easily adaptable to other hematological malignancies and neoplasms where quantitative histological evaluation is not yet available.

Benzer Tezler

  1. Tez No

    527751

    Myeloproliferatif neoplazilerde görülebilecek genetik mutasyonların araştırılması

    Analysis of genetic mutations in myeloproliferative neoplasms

    ECE ÖZOĞUL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2018

    PatolojiHacettepe Üniversitesi

    Tıbbi Patoloji Ana Bilim Dalı

    PROF. DR. AYŞEGÜL ÜNER

  2. Tez No

    637192

    Plazma hücreli myelom olgularında kemik iliği biyopsilerinde plazma hücre yüzdesi, tutulum paterni, fibrozis ve mikrodamar yoğunluğunun prognoz ile ilişkisi

    The relationship between prognosis and plasma cell percentage, infiltration pattern, fibrosis and microvessel density in bone marrow biopsies of plasma cell myeloma patients

    HAZAL İZOL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2020

    PatolojiDokuz Eylül Üniversitesi

    Tıbbi Patoloji Ana Bilim Dalı

    PROF. DR. SERMİN ÖZKAL

  3. Tez No

    801765

    Erişkin hastalara ait kemik iliği biyopsi materyallerinin biyopsi endikasyonları ve ön tanıları ile histopatolojik bulgularının ve histopatolojik tanılarının karşılaştırılması

    Comparison of biopsy indications and preliminary diagnosis, histopathological findings and hi̇stopathological diagnoses of bone marrow biopsy materials from adult patients

    BURCU BELEN AYDOĞMUŞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    PatolojiAfyonkarahisar Sağlık Bilimleri Üniversitesi

    Tıbbi Patoloji Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÇİĞDEM ÖZDEMİR

  4. Tez No

    308229

    Esansiyel trombositoz ve polisitemia vera hastalıklarında kemik iliği biyopsilerinde wnt yolak proteinlerinin (Wnt-1/beta-katenin /E-kaderin) değerlendirilmesi

    Essential thrombocytosis and polycythemia vera bone marrow biopsies diseases of wnt pathway proteins (Wnt-1/beta-katenin / E-cadherin) evaluation

    HATİCE KÜÇÜK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2011

    PatolojiKaradeniz Teknik Üniversitesi

    Patoloji Ana Bilim Dalı

    PROF. DR. ÜMİT ÇOBANOĞLU

  5. Tez No

    86437

    Lenfomalı olgularda kemik iliği tutulumunun değerlendirilmesinde biyopsi ve manyetik rezonans görüntüleme yönteminin karşılaştırılması

    Magnetic resonance imaging of bone marrow versus bone morrow biopsy in malignant lymphoma

    MUSTAFA ÖZGÜROĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    1999

    Onkolojiİstanbul Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. BÜLENT BERKARDA

Geri Dön