Kronik Lenfositik Lösemide Yapay Zeka Çalışmaları ve Veri Analizleri: Güncel Derleme

Can Özlü , Aycan Acet , Berrin Korkut , Cumali Yalçın

  • Can Özlü: Kütahya Sağlık Bilimleri Üniversitesi
  • Aycan Acet: Kütahta Sağlık Bilimleri Üniversitesi
  • Berrin Korkut: Kütahta Sağlık Bilimleri Üniversitesi
  • Cumali Yalçın: Kütahya Evliya Çelebi Eğitim ve Araştırma Hastanesi
  • Year : 2024
  • Vol : 40
  • Issue : 3
  •  Page : 146-151
ÖZ
Yapay zeka, bilgiyi bir nesne olarak kabul eden, ondan bilgi çıkaran, bu bilginin ifade edilme yollarını araştırıp analiz eden ve daha sonra bu yöntemleri insanın entelektüel faaliyetini simüle etmek için uygulayan bir bilgi projesi olarak tanımlanabilir. Yapay zekanın, makine öğrenimi ve derin öğrenme dahil olmak üzere tıbbi uzmanlıklara çok benzeyen çeşitli alt alanları vardır. Derin öğrenme algoritmalarının veya çeşitli işlem katmanlarına sahip yapay sinir ağlarının, karmaşık doğrusal olmayan giriş-çıkış etkileşimlerini simüle etme ve düşük seviyeli veri temsillerinden desen tanımlama ve özellik çıkarımı gerçekleştirme kapasitesi, bu alandaki ilerlemeden büyük ölçüde sorumludur. Hematolojide yapay zeka son yıllarda dramatik ilerleme kaydetti. Ancak bu ilerlemenin büyük bir kısmı görünüşte dağınıktır ve bir hematoloğun takip etmesi zor olan tutarlı bir yapıdan yoksundur. Kronik lenfositik lösemi (KLL) ileri yaşlarda ortaya çıkan özel bir hematolojik kanser türüdür. Hastalığın patogenezinde monoklonal B hücrelerinin kanda, kemik iliğinde, dalakta ve lenf düğümlerinde kontrolsüz ve aşamalı olarak çoğalması sorumludur. KLL'li hastalar son derece değişken klinik seyirlere sahiptir ve genel sağkalım süreleri birkaç aydan on yıllara kadar değişebilir. Hastaların %30’unun hiçbir zaman tıbbi tedavi ihtiyacı olmamaktadır. KLL'nin aşırı heterojenliği göz önüne alındığında, yeni prognostik modellerin geliştirilmesi kaçınılmazdır. Şu anda, giderek artan sayıda araştırma, yapay zeka tabanlı modellerin KLL'yi ne kadar iyi teşhis edebildiğini ve prognozu tahmin edebildiğini göstermektedir. Bu makalede, kronik lenfoid lösemi tanısında yapay zekanın radyoloji, patoloji, genetik, tanısal ve terapötik uygulamalarına özel olarak odaklanarak hematolojide yapay zekanın güncel bir incelemesini sunacağız. Yapay zekanın kronik lenfositik lösemide mevcut en son teknoloji kullanımını ve gelecekteki potansiyel kullanımlarını gösteren seçilmiş makalelerden bir derlemeyi tartışacağız.
Anahtar Kelimeler: Kronik lenfositik lösemi, makine öğrenme, teşhis, yapay zeka
Cite this Article As : Ozlu C, Acet A, Korkut B, Yalcin C. Artificial Intelligence Studies and Data Analysis in Chronic Lymphocytic Leukemia: A Current Review. Selcuk Med J 2024;40(3): 146-151

Download Citation: Endnote/Zotero/Mendeley (RIS) RIS File

Download Citation: BibTeX BibTeX File

Conflict of interest : The authors declare that they have no conflict of interest.
This article is published under the CC BY-NC 4.0 license.
Selcuk Medical Journal
2024, Vol. 40 (3)
ISSN: 1017-6616
E-ISSN: 2149-8059
Received : , Accepted : , Published Online :

References

  1. 1. L. Duan, L. Xu. Business Intelligence for Enterprise Systems: A Survey. IEEE Trans. Ind. Inf. 2012;8(3):679–687.
  2. 2. Vivek Kaul, Sarah Enslin, Seth A. Gross. History of artificial intelligence in medicine. Gastrointestinal Endoscopy. 2020;92(4):807-812.
  3. 3. L.D. Xu, Y. Lu, L. Li, Embedding Blockchain Technology into IoT for Security: a Survey, IEEE Internet of Things Journal. 2021;8(13):10452-10473.
  4. 4. N. Duan, L.Z. Liu, X.J. Yu et al. Classification of multichannel surface-electromyography signals based on convolutional neural networks, J. Industr. Integr. Manag. 2019;15:201–206.
  5. 5. Lenselink EB, Ten Dijke N, Bongers B et al. Beyond the hype: deep neural networks outperform established methods using a ChEMBL bioactivity benchmark set. Journal of cheminformatics. 2017;9:1-14.
  6. 6. Goh, GB, Siegel C, Vishnu A et al. Chemception: a deep neural network with minimal chemistry knowledge matches the performance of expert-developed QSAR/QSPR models. ArXiv. 2017;abs/1706.06689.
  7. 7. Unterthiner, T, Mayar A, Klambauer G et al. Deep learning as an opportunity in virtual screening. In: Proceedings of the deep learning workshop at NIPS. Cambridge, MA, United States: MIT Press. 2014;27:1–9.
  8. 8. Fidan K. Chronic lymphocytic leukemia. J Curr Hematol Oncol Res. 2023;1(3):59-67.
  9. 9. Ozbalak M, Erdogan Ozunal I, Berk S et al. Killer Immunoglobuline Like Receptor gene analysis in Chronic Lymphocytic Leukemia and its relation with autoimmunity. J Ist Faculty Med 2021;84(2):227-36.
  10. 10. Rai KR, Sawitsky A, Cronkite EP et al. Clinical staging of chronic lymphocytic leukemia. Blood. 1975;46(2):219-234.
  11. 11. Binet JL, Auquier A, Dighiero G, et al. A new prognostic classification of chronic lymphocytic leukemia derived from a multivariate survival analysis. Cancer. 1981;48(1):198-206.
  12. 12. International CLL-IPI working group. An international prognostic index for patients with chronic lymphocytic leukaemia (CLL-IPI): a meta-analysis of individual patient data. Lancet Oncol. 2016;17:779-790.
  13. 13. Coombes CE, Abrams ZB, Li S et al. Unsupervised machine learning and prognostic factors of survival in chronic lymphocytic leukemia. J Am Med Inform Assoc. 2020;27(7):1019-1027.
  14. 14. Chen D, Goyal G, Go RS et al. Improved Interpretability of Machine Learning Model Using Unsupervised Clustering: Predicting Time to First Treatment in Chronic Lymphocytic Leukemia. JCO Clin Cancer Inform. 2019;3:1-11.
  15. 15. Morabito F, Adornetto C, Monti P et al. Genes selection using deep learning and explainable artificial intelligence for chronic lymphocytic leukemia predicting the need and time to therapy. Front Oncol. 2023;13:1198992.
  16. 16. Vergnolle I, Ceccomarini T, Canali A et al. Use of a hybrid intelligence decision tree to identify mature B-cell neoplasms. Cytometry B Clin Cytom. Published online August 4, 2023.
  17. 17. Hoffmann J, Eminovic S, Wilhelm C et al. Prediction of Clinical Outcomes with Explainable Artificial Intelligence in Patients with Chronic Lymphocytic Leukemia. Curr Oncol. 2023;30(2):1903-1915.
  18. 18. Marionneaux S, Maslak P, Keohane EM. Morphologic identification of atypical chronic lymphocytic leukemia by digital microscopy. Int J Lab Hematol. 2014;36(4):459-64.
  19. 19. Masić N, Gagro A, Rabatić S et al. Decision-tree approach to the immunophenotype-based prognosis of the B-cell chronic lymphocytic leukemia. Am J Hematol. 1998;59(2):143-8.
  20. 20. Zhao M, Mallesh N, Höllein A et al. Hematologist-Level Classification of Mature B-Cell Neoplasm Using Deep Learning on Multiparameter Flow Cytometry Data. Cytometry A. 2020;97(10):1073-1080.
  21. 21. Salama ME, Otteson GE, Camp JJ et al. Artificial Intelligence Enhances Diagnostic Flow Cytometry Workflow in the Detection of Minimal Residual Disease of Chronic Lymphocytic Leukemia. Cancers (Basel). 2022;14(10):2537.
  22. 22. Padmanabhan R, El Alaoui Y, Elomri A et al. Machine Learning for Diagnosis and Screening of Chronic Lymphocytic Leukemia Using Routine Complete Blood Count (CBC) Results. Stud Health Technol Inform. 2023;305:279-282.
  23. 23. Agius R, Brieghel C, Andersen MA et al. Machine learning can identify newly diagnosed patients with CLL at high risk of infection. Nat Commun. 2020;17;11(1):363.
  24. 24. El Hussein S, Chen P, Medeiros LJ et al. Artificial intelligence strategy integrating morphologic and architectural biomarkers provides robust diagnostic accuracy for disease progression in chronic lymphocytic leukemia. J Pathol. 2022;256(1):4-14.
  25. 25. El Hussein S, Chen P, Medeiros LJ et al. Artificial intelligence-assisted mapping of proliferation centers allows the distinction of accelerated phase from large cell transformation in chronic lymphocytic leukemia. Mod Pathol. 2022;35(8):1121-1125.
  26. 26. Wang Y, Liu H, Wang H et al. Enhancing morphological analysis of peripheral blood cells in chronic lymphocytic leukemia with an artificial intelligence-based tool. Leuk Res. 2023;130:107310.
  27. 27. Zhu Y, Gan X, Qin R et al. Identification of Six Diagnostic Biomarkers for Chronic Lymphocytic Leukemia Based on Machine Learning Algorithms. J Oncol. 2022;2022:3652107.
  28. 28. Agius R, Parviz M, Niemann CU. Artificial intelligence models in chronic lymphocytic leukemia–recommendations toward state-of-the-art. Leuk Lymphoma. 2022;63:265–78.
  29. 29. Graham G, Csicsery N, Stasiowski E et al. Genome-scale transcriptional dynamics and environmental biosensing. Proc Natl Acad Sci. 2020;117(6):3301–6.