Kunstmatige intelligentie onderscheidt prefibrotische primaire myelofibrose met trombocytose van essentiële trombocytemie met behulp van gedigitaliseerde beenmergbioptbeelden

Waarom dit belangrijk is voor mensen met bloedziekten

Artsen hebben vaak moeite om twee op het oog gelijke bloedziekten van elkaar te onderscheiden, terwijl ze heel verschillende langetermijnrisico’s met zich meebrengen. Deze studie laat zien hoe kunstmatige intelligentie beenmergbeelden op een computerscherm kan interpreteren om deze ziekten nauwkeuriger te scheiden, en wijst zelfs op subtiele weefselfeatures die mensen mogelijk over het hoofd zien. Voor patiënten kan dat uiteindelijk leiden tot betere diagnostiek, duidelijkere risicoinformatie en meer op maat gemaakte behandeling.

Twee vergelijkbare ziekten met zeer verschillende vooruitzichten

Essentiële trombocytemie en prefibrotische primaire myelofibrose zijn beide zeldzame beenmergaandoeningen die een teveel aan bloedplaatjes veroorzaken. Onder de microscoop kunnen hun beenmergmonsters er heel vergelijkbaar uitzien, zodat zelfs ervaren pathologen soms van mening verschillen over de juiste diagnose. Het onderscheid is belangrijk omdat mensen met de prefibrotische vorm meer kans hebben op ernstige verharding (fibrose) van het merg, leukemie en levensbedreigende complicaties dan mensen met essentiële trombocytemie. Huidige richtlijnen steunen op experts die cellen en subtiele littekenvorming visueel beoordelen, een proces dat zowel subjectief als tijdrovend is.

Een computer leren beenmergdekken te lezen

De onderzoekers bouwden een tweedelig AI-systeem dat rechtstreeks werkt met routinematig gekleurde beenmergbioptbeelden. Eerst gebruikten ze een krachtig voorgetraind model dat oorspronkelijk aan tienduizenden kankerslides was blootgesteld om gedetailleerde visuele patronen uit elk klein gebied van het biopt te halen. Vervolgens pasten ze een “attention”-methode toe die het algoritme laat meer gewicht toe te kennen aan regio’s die sterker voor de ene of de andere diagnose pleiten. Getraind op 200 Italiaanse patiënten met zorgvuldig bevestigde diagnoses en daarna getest op een onafhankelijke groep van een Amerikaans kankercentrum, wist het systeem de twee ziekten met hoge nauwkeurigheid te onderscheiden. In de validatiegroep onderscheidde het systeem prefibrotische primaire myelofibrose van essentiële trombocytemie correct bij meer dan negen van de tien patiënten, met een bijzondere sterkte in het vermijden van het onterecht toekennen van de hoogrisicodiagnose.

Met synthetische beelden zien wat de AI ziet

Om te begrijpen op welke visuele aanwijzingen het model vertrouwde, voegde het team een generatief onderdeel toe dat realistisch ogende beenmergpatches kan creëren die typerend zijn voor elke ziekte. Ze selecteerden zowel echte als door de computer gegenereerde afbeeldingstegels die de classifier met vertrouwen classificeerde en vroegen drie ervaren hemato-pathologen, werkend blind, deze te labelen. Voor echte beelden waren menselijke experts het meestal eens met de AI-diagnose wanneer ze bereid waren een uitspraak te doen. Voor veel synthetische beelden, vooral die de essentiële trombocytemie imiteerden, waren pathologen echter vaak niet eens met het algoritme of voelden ze zich niet veilig om een diagnose te kiezen, hoewel de AI deze tegels correct classificeerde volgens de bekende patiëntgegevens.

Een verrassende rol voor vet versus cellen in het merg

Het contrast tussen mens en machine leidde tot nader onderzoek van de weefselsamenstelling in zowel echte als gegenereerde beelden. Met een andere beeldanalysetool maten de onderzoekers hoeveel van elke tegel gevuld was met vetruimtes versus bloedvormende cellen. Over de hele linie bevatten monsters die aan essentiële trombocytemie waren gekoppeld meer vet, terwijl monsters die met prefibrotische primaire myelofibrose waren geassocieerd dichter op elkaar gepakte cellen hadden. Dit patroon verscheen in zowel echte patiëntbeelden als computergegenereerde beelden, en het was zelfs sterker uitgesproken in de synthetische essentiële trombocytemie-slides. Heatmaps van de model-"attention" toonden ook dat het algoritme van nature de actieve bloedvormende gebieden benadrukte in plaats van bot of artefacten, wat suggereert dat het biologische, betekenisvolle aanwijzingen had geleerd in plaats van trucjes.

Wat dit kan betekenen voor diagnose en behandeling

Praktisch gezien suggereert de studie dat een zorgvuldig getraind AI-systeem pathologen kan helpen deze twee vergelijkbare beenmergziekten te scheiden met standaard histologische slides, en nuttige weefselfeatures kan blootleggen, zoals de balans tussen vet en cellen, die niet in huidige checklists staan. De auteurs benadrukken dat hun hulpmiddel niet bedoeld is om de deskundige beoordeling te vervangen, zeker gezien het relatief geringe aantal bestudeerde patiënten tot nu toe. Het kan in plaats daarvan fungeren als een tweede lezer, vooral in centra die weinig van deze gevallen zien, en het kan helpen bepalen welke patiënten in klinische onderzoeken worden opgenomen door degenen met de agressievere prefibrotische ziekte uit te sluiten. Na verloop van tijd kan het combineren van dit soort beeldgebaseerde AI met klinische en genetische gegevens zorgen voor meer vertrouwenwekkende, gepersonaliseerde zorg voor mensen met deze zeldzame bloedziekten.

Bronvermelding: Srisuwananukorn, A., Loscocco, G.G., Dolezal, J.M. et al. Artificial intelligence differentiates prefibrotic primary myelofibrosis with thrombocytosis from essential thrombocythemia using digitized bone marrow biopsy images. Leukemia 40, 1018–1026 (2026). https://doi.org/10.1038/s41375-026-02893-7

Trefwoorden: kunstmatige intelligentie, beenmergbiopt, myeloproliferatieve neoplasmata, essentiële trombocytemie, prefibrotische myelofibrose