Machine learning voor de diagnose van bloedziekten: sneller, beter, goedkoper

De diagnose myelodysplastische syndromen (MDS)is moeilijk en berust vooral op beenmerg en genetische tests. In samenwerking met specialisten van het VUMC Amsterdam ontwikkelden wetenschappers van het Yvan Saeys lab (VIB-UGent Centrum voor Inflammatieonderzoek) een machine learning-model om diagnose van MDS te verbeteren en automatiseren. Dit model resulteerde in een beter diagnostisch vermogen, terwijl de tijd en middelen die nodig zijn voor analyse drastisch werden verminderd. 

De huidige diagnose is meestal gebaseerd op kenmerken van het beenmerg en genetische testen, en die moeten vaak worden aangevuld met een analyse van immuuncellen door middel van een flowcytometrie om een nauwkeurige diagnose te kunnen stellen.

Vandaag vereist de diagnose van MDS de handmatige inspectie van deze al deze gegevens, maar dat houdt beperkingen in zoals reproduceerbaarheid, objectiviteit, tijdsinvestering en het selecteren van de juiste specifieke subset van (bekende) celtypen.

"Technieken voor machine learning kunnen veel van deze uitdagingen overwinnen en het hele proces van flowcytometrie-data-analyse automatiseren”, aldus prof. Yvan Saeys. “Deze technieken zijn ook in staat om naar alle celtypen te kijken, wat het potentieel biedt om nieuwe biomerkers te ontdekken en data van verschillende celtypen te combineren. Dit kan de diagnostische prestaties mogelijk nog verder kan verbeteren.”

Samen met clinici van het lab van prof. Arjan van de Loosdrecht (VUMC Amsterdam) ontwikkelden wetenschappers van het Yvan Saeys lab een machine learning systeem voor MDS-diagnose. Dit systeem was in staat om het diagnostische vermogen met 10% te verbeteren in vergelijking met de klassieke, handmatige analyse. De tijd die nodig was voor de analyse werd teruggebracht van ongeveer één uur per patiënt voor de handmatige analyse tot 30 seconden met het machine learning systeem. 

Dr. Sofie Van Gassen, ook betrokken bij de studie, licht toe: “Interessant genoeg ontdekten we ook dat slechts een subset van de immunologische informatie nodig was voor een goede diagnostische nauwkeurigheid, waardoor er minder patiëntmateriaal en minder chemische stoffen nodig waren om de analyse uit te voeren.” 

U wil op dit artikel reageren ?

Toegang tot alle functionaliteiten is gereserveerd voor professionele zorgverleners.

Indien u een professionele zorgverlener bent, dient u zich aan te melden of u gratis te registreren om volledige toegang te krijgen tot deze inhoud.
Bent u journalist of wenst u ons te informeren, schrijf ons dan op redactie@rmnet.be.