DOI: https://doi.org/10.1038/s41375-026-02893-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41721088
تاريخ النشر: 2026-02-20
المؤلف: Andrew Srisuwananukorn وآخرون
الموضوع الرئيسي: الأورام النقوية: التشخيص والعلاج
نظرة عامة
تناقش هذه القسم تطوير إطار عمل للذكاء الاصطناعي (AI) يهدف إلى تمييز التليف النقوي الأولي قبل التليف (prePMF) عن الصفيحات الدموية الأساسية (ET)، وهما نوعان من الأورام النقوية التكاثرية (MPNs) لهما عروض سريرية مشابهة وغالبًا ما تعقد التشخيص. تم تدريب نموذج الذكاء الاصطناعي على شرائح خزعة نخاع العظم الملونة بالهيماتوكسيلين والإيوزين (BMB) من مجموعة من مرضى MPN الذين يعانون من زيادة الصفائح الدموية، محققًا منطقة تحت منحنى التشغيل الاستقبالي (AUROC) قدرها 0.89 ودقة قدرها 92.3%.
لتحقيق في الميزات التنبؤية للذكاء الاصطناعي، تم إنشاء صور اصطناعية لتعزيز الأشكال المرضية المحددة. في مراجعة عمياء، أظهر أطباء الأمراض الدموية توافقًا عاليًا مع توقعات الذكاء الاصطناعي للصور الحقيقية، ولكن لوحظ تباين كبير (حتى 88%) للصور التي تم إنشاؤها بواسطة الذكاء الاصطناعي لـ ET، على الرغم من دقة توقعات الذكاء الاصطناعي. بالإضافة إلى ذلك، كشفت تحليل الخلوية والنسيج الدهني في النخاع أن صور ET تحتوي على محتوى دهني أعلى (42.0%) مقارنة بصور prePMF (28.9%). تشير هذه النتائج إلى أن إطار عمل الذكاء الاصطناعي يمكن أن يستفيد من الخصائص الشكلية التي تتجاوز المعايير التشخيصية التقليدية، مثل نسب النسيج الدهني، لتحسين التعرف على أنواع فرعية محددة من MPN، مما يبرز إمكانيات الذكاء الاصطناعي لتعزيز التقييمات النسيجية.
مقدمة
تناقش مقدمة هذه الورقة البحثية التليف النقوي الأولي (PMF)، وهو اضطراب خلوي جذعي مصنف من قبل منظمة الصحة العالمية (WHO) كنوع من الأورام النقوية التكاثرية (MPN) سلبية الكروموسوم فيلادلفيا. يتم تقسيم PMF إلى أشكال “قبل التليف” (prePMF) وأشكال تليفية ظاهرة، حيث قد تتطور الأخيرة أحيانًا في المرضى الذين يعانون من الصفيحات الدموية الأساسية (ET) وفقر الدم الكريات الحمر (PV). تؤكد منظمة الصحة العالمية على أهمية شكل الخلايا العملاقة في تصنيف MPNs، مما يتطلب فحوصات نسيجية دقيقة للتشخيص الصحيح. من الجدير بالذكر أن prePMF يمكن أن يتم تشخيصه بشكل خاطئ كـ ET بسبب العروض السريرية المتداخلة، وأن نسبة كبيرة من المرضى الذين تم تشخيصهم في البداية بـ ET قد يستوفون في الواقع معايير prePMF عند إعادة التقييم.
تسلط الورقة الضوء على التحديات في التمييز بين prePMF و ET، خاصة بسبب الطبيعة الذاتية لتقييمات نخاع العظم، مما أدى إلى تباين بين الأطباء الشرعيين. تقدم التطورات الأخيرة في علم الأمراض الرقمي والذكاء الاصطناعي (AI) طرقًا واعدة لتحسين دقة التشخيص. يشير المؤلفون إلى تطوير أنظمة الذكاء الاصطناعي، بما في ذلك نموذج “الفهرسة المستمرة للتليف”، الذي يربط عبء التليف بتشخيص prePMF. يقترحون أن النماذج الأساسية المدربة مسبقًا على مجموعات بيانات نسيجية واسعة يمكن أن تعزز التمييز بين prePMF و ET من خلال الاستفادة من التمثيلات القابلة للتعميم للأنماط النسيجية. تهدف الدراسة إلى تطوير نموذج ذكاء اصطناعي قادر على تمييز prePMF بدقة مع زيادة الصفائح الدموية عن ET باستخدام صور خزعة نخاع العظم الملونة بالهيماتوكسيلين والإيوزين، مما يظهر إمكانية التطبيق عبر مجموعات مرضى ومؤسسات متنوعة.
الطرق
في هذه الدراسة، قام المؤلفون بإجراء تحليل استعادي متعدد المؤسسات لتطوير والتحقق من صحة خوارزمية ذكاء اصطناعي (AI) تهدف إلى تمييز التليف النقوي قبل البولي (prePMF) عن الصفيحات الدموية الأساسية (ET). تم تنفيذ الخوارزمية باستخدام كود مخصص تم تطويره باستخدام حزمة Slideflow في بايثون الإصدار 3.7. تم تنفيذ التحليلات الحاسوبية على مجموعات حوسبة عالية الأداء (HPC) في كلية أيخان للطب في جبل سيناء ومركز أوهايو للحوسبة الفائقة.
حصلت الدراسة على موافقة من مجالس المراجعة المؤسسية لكل من مستشفى جبل سيناء وجامعة ولاية أوهايو، والتي شملت تصميم الدراسة لتطوير الخوارزمية بناءً على بيانات المرضى الاستعادية وصور الأمراض. تم منح إعفاء من الموافقة، والتزمت جميع التجارب بإعلان هلسنكي. علاوة على ذلك، امتثلت تقارير البيانات للإرشادات الخاصة بالذكاء الاصطناعي، بما في ذلك CLAIM و TRIPOD + AI.
النتائج
تظهر نتائج الدراسة أن المصنف القائم على الذكاء الاصطناعي prePMF/ET يميز بفعالية بين التليف النقوي الأولي قبل التليف (prePMF) والصفيحات الدموية الأساسية (ET) باستخدام صور خزعة نخاع العظم. تم تدريبه على مجموعة من 100 حالة prePMF و100 حالة ET من جامعة فلورنسا وتم التحقق من صحته مع مجموعة خارجية من مركز موفيت للسرطان، حقق المصنف متوسط منطقة تحت منحنى التشغيل الاستقبالي (AUROC) قدرها 0.90 أثناء التدريب و0.88 أثناء التحقق الخارجي، مع دقة متوسطة (AP) قدرها 0.91 و0.81، على التوالي. أظهر المصنف حساسية قدرها 66.6%، وخصوصية قدرها 100%، ودقة عامة قدرها 92.3% في التنبؤ بـ prePMF.
علاوة على ذلك، استكشفت الدراسة الميزات الشكلية التي استخدمها مصنف الذكاء الاصطناعي مقارنة بتلك التي تعرف عليها أطباء الأمراض الدموية الخبراء. تم استخدام شبكة تنافسية مولدة مشروطة بالفئة (cGAN) لإنشاء صور اصطناعية للتحليل. وُجد أن التوافق بين أطباء الأمراض الدموية ومصنف الذكاء الاصطناعي كان 45.0%، مع توافق أعلى للصور الحقيقية (60.8%) مقارنة بالصور المولدة (29.1%). كان أطباء الأمراض الدموية أكثر احتمالًا لتعيين تشخيص بناءً على الصور الحقيقية (80.0%) مقارنة بالصور المولدة (55.0%). من الجدير بالذكر أن الدراسة كشفت أنه بينما كان بإمكان مصنف الذكاء الاصطناعي تحديد ميزات شكلية كافية للتشخيص، كان الأطباء الخبراء يواجهون صعوبة مع صور ET المولدة، مما يشير إلى وجود تباين في المعايير التشخيصية المستخدمة من قبل الذكاء الاصطناعي والخبراء البشريين.
المناقشة
في هذه الدراسة، طور المؤلفون مصنفًا قائمًا على الذكاء الاصطناعي لتمييز بين التليف النقوي الأولي قبل التليف (prePMF) والصفيحات الدموية الأساسية (ET) باستخدام صور خزعة نخاع العظم الملونة بالهيماتوكسيلين والإيوزين (H&E). تم تدريب المصنف على مجموعة من جامعة فلورنسا وتم التحقق من صحته مع صور من مركز موفيت للسرطان، ويستخدم نهجًا من مرحلتين يتضمن استخراج الميزات من نموذج مدرب مسبقًا وتعلم متعدد الحالات قائم على الانتباه. يعزز هذا الأسلوب القابلية للتفسير من خلال تسليط الضوء على المناطق المهمة داخل صور الخزعة التي تساهم في التنبؤات التشخيصية. قدمت الدراسة أيضًا شبكة تنافسية مولدة (cGAN) لإنشاء صور نسيجية اصطناعية، والتي كشفت أن نموذج الذكاء الاصطناعي حدد نسبة أعلى من الأنسجة الدهنية في صور ET مقارنة بـ prePMF، مما يشير إلى ميزات شكلية مميزة مرتبطة بكل حالة.
تشير النتائج إلى أنه بينما أظهر مصنف الذكاء الاصطناعي دقة عالية في تمييز prePMF عن ET، كان هناك تباين ملحوظ في الاتفاق التشخيصي بين نموذج الذكاء الاصطناعي وأطباء الأمراض الدموية الخبراء، خاصة مع الصور الاصطناعية. كان توافق الأطباء مع توقعات الذكاء الاصطناعي 45% فقط، مما يبرز التحديات في تشخيص هذه الحالات بناءً فقط على الصور عالية التكبير. تؤكد الدراسة على إمكانيات أدوات الذكاء الاصطناعي للمساعدة في تشخيص الأورام النقوية التكاثرية (MPNs)، خاصة في البيئات ذات أحجام المرضى المنخفضة، مع الاعتراف أيضًا بالحاجة إلى مزيد من البحث للتحقق من هذه النتائج في الدراسات المستقبلية واستكشاف دمج بيانات نسيجية وسريرية إضافية. بشكل عام، يمثل نموذج الذكاء الاصطناعي تقدمًا واعدًا في التحليل الآلي لخزعات نخاع العظم لتشخيص MPN.
DOI: https://doi.org/10.1038/s41375-026-02893-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41721088
Publication Date: 2026-02-20
Author(s): Andrew Srisuwananukorn et al.
Primary Topic: Myeloproliferative Neoplasms: Diagnosis and Treatment
Overview
This section discusses the development of an artificial intelligence (AI) framework aimed at differentiating prefibrotic primary myelofibrosis (prePMF) from essential thrombocythemia (ET), two myeloproliferative neoplasms (MPNs) with similar clinical presentations that often complicate diagnosis. The AI model was trained on digitized hematoxylin and eosin-stained bone marrow biopsy (BMB) slides from a cohort of MPN patients with thrombocytosis, achieving an area under the receiver operating characteristic curve (AUROC) of 0.89 and an accuracy of 92.3%.
To investigate the predictive features of the AI, synthetic images were created to enhance disease-specific morphologies. In a blinded review, hematopathologists showed high agreement with AI predictions for real images, but significant discordance (up to 88%) was observed for AI-generated ET images, despite accurate AI predictions. Additionally, analysis of marrow cellularity and adiposity revealed that ET images contained a higher fat content (42.0%) compared to prePMF images (28.9%). These results indicate that the AI framework can leverage morphological characteristics beyond traditional diagnostic criteria, such as adiposity proportions, to improve the identification of specific MPN subtypes, highlighting the potential of AI to enhance histopathological assessments.
Introduction
The introduction of this research paper discusses primary myelofibrosis (PMF), a clonal stem cell disorder classified by the World Health Organization (WHO) as a Philadelphia chromosome-negative myeloproliferative neoplasm (MPN). PMF is divided into “prefibrotic” (prePMF) and overtly fibrotic forms, with the latter sometimes developing in patients with essential thrombocythemia (ET) and polycythemia vera (PV). The WHO emphasizes the importance of megakaryocyte morphology in the classification of MPNs, necessitating thorough histological examinations for accurate diagnosis. Notably, prePMF can be misdiagnosed as ET due to overlapping clinical presentations, and a significant proportion of patients initially diagnosed with ET may actually meet the criteria for prePMF upon reevaluation.
The paper highlights the challenges in distinguishing between prePMF and ET, particularly due to the subjective nature of bone marrow assessments, which has led to discordance among pathologists. Recent advancements in digital pathology and artificial intelligence (AI) present promising avenues for improving diagnostic accuracy. The authors reference the development of AI systems, including a “continuous indexing of fibrosis” model, which associates fibrosis burden with prePMF diagnosis. They propose that foundation models pretrained on extensive histopathological datasets could enhance the differentiation of prePMF from ET by leveraging generalizable representations of histological patterns. The study aims to develop an AI model capable of accurately distinguishing prePMF with thrombocytosis from ET using hematoxylin and eosin-stained bone marrow biopsy images, demonstrating potential applicability across diverse patient cohorts and institutions.
Methods
In this study, the authors conducted a retrospective, multi-institutional analysis to develop and validate an artificial intelligence (AI) algorithm aimed at differentiating pre-polycythemia myelofibrosis (prePMF) from essential thrombocythemia (ET). The algorithm was implemented using custom code developed with the Slideflow package in Python version 3.7. Computational analyses were executed on High Performance Computing Clusters (HPC) at the Icahn School of Medicine at Mount Sinai and the Ohio Supercomputer Center.
The research received approval from the Institutional Review Boards of both Mount Sinai Hospital and The Ohio State University, which included the study design for the algorithm’s development based on retrospective patient data and pathology images. A waiver for consent was granted, and all experiments adhered to the Declaration of Helsinki. Furthermore, the reporting of data complied with AI-specific guidelines, including CLAIM and TRIPOD + AI.
Results
The results of the study demonstrate that the AI-based prePMF/ET classifier effectively differentiates between pre-primary myelofibrosis (prePMF) and essential thrombocythemia (ET) using bone marrow biopsy images. Trained on a cohort of 100 prePMF and 100 ET cases from the University of Florence and validated with an external cohort from the Moffitt Cancer Center, the classifier achieved a mean area under the receiver operating characteristic curve (AUROC) of 0.90 during training and 0.88 during external validation, with an average precision (AP) of 0.91 and 0.81, respectively. The classifier demonstrated a sensitivity of 66.6%, specificity of 100%, and overall accuracy of 92.3% for predicting prePMF.
Furthermore, the study explored the morphological features utilized by the AI classifier compared to those recognized by expert hematopathologists. A class-conditioned generative adversarial network (cGAN) was employed to generate synthetic images for analysis. The agreement between the hematopathologists and the AI classifier was found to be 45.0%, with higher concordance for real images (60.8%) compared to generated images (29.1%). Hematopathologists were more likely to assign a diagnosis based on real images (80.0%) than on generated images (55.0%). Notably, the study revealed that while the AI classifier could identify sufficient morphological features for diagnosis, expert pathologists struggled with generated ET images, indicating a disparity in the diagnostic criteria employed by AI and human experts.
Discussion
In this study, the authors developed an AI-based classifier to differentiate between pre-primary myelofibrosis (prePMF) and essential thrombocythemia (ET) using digitized hematoxylin and eosin (H&E) stained bone marrow biopsy images. The classifier, trained on a cohort from the University of Florence and validated with images from the Moffitt Cancer Center, employs a two-stage approach involving feature extraction from a pre-trained model and attention-based multiple instance learning. This method enhances interpretability by highlighting significant regions within the biopsy images that contribute to diagnostic predictions. The study also introduced a generative adversarial network (cGAN) to create synthetic histology images, which revealed that the AI model identified a higher proportion of adipose tissue in ET images compared to prePMF, suggesting distinct morphological features associated with each condition.
The findings indicate that while the AI classifier demonstrated high accuracy in distinguishing prePMF from ET, there was a notable discrepancy in diagnostic agreement between the AI model and expert hematopathologists, particularly with synthetic images. The pathologists’ agreement with the AI predictions was only 45%, highlighting the challenges in diagnosing these conditions based solely on high-magnification images. The study emphasizes the potential of AI tools to assist in the diagnosis of myeloproliferative neoplasms (MPNs), particularly in settings with lower patient volumes, while also acknowledging the need for further research to validate these findings in prospective studies and to explore the integration of additional histological and clinical data. Overall, the AI model represents a promising advancement in the automated analysis of bone marrow biopsies for MPN diagnosis.