машинное обучение

Искусственный интеллект в гематологии

ОБЗОРЫ ,

Искусственный интеллект не заменит врача, однако врачи, использующие искусственный

интеллект, заменят тех, кто его не использует.

Dr. Bertalan Mesko, медицинский футурист

А.С. Лучинин

ФГБУН «Кировский НИИ гематологии и переливания крови ФМБА», ул. Красноармейская, д. 72, Киров, Российская Федерация, 610027

Для переписки: Александр Сергеевич Лучинин, канд. мед. наук, ул. Красноармейская, д. 72, Киров, Российская Федерация, 610027; тел.: +7(919)506-87-86; e-mail: glivec@mail.ru

Для цитирования: Лучинин А.С. Искусственный интеллект в гематологии. Клиническая онкогематология. 2022;15(1):16–27.

DOI: 10.21320/2500-2139-2022-15-1-16-27

РЕФЕРАТ

«Искусственный интеллект» — это общий термин, описывающий компьютерные технологии для решения задач, которые требуют применения интеллекта человека, например распознавание человеческого голоса или изображений. Большинство продуктов с использованием искусственного интеллекта, применяемых в здравоохранении, связано с машинным обучением — отраслью информатики и статистики, которая генерирует предсказательные или описательные модели путем обучения на основе данных, а не путем программирования четких правил. Машинное обучение получило широкое распространение в патоморфологии, радиологии, геномике и анализе данных электронных медицинских карт. С учетом имеющейся тенденции технологии искусственного интеллекта, вероятно, будут все больше интегрироваться в исследовательскую и практическую медицину, включая гематологию. Таким образом, искусственный интеллект и машинное обучение заслуживают внимания и понимания со стороны исследователей и клиницистов. В данном обзоре описываются важные терминологические понятия и основные концепции обозначенных технологий, а также приводятся примеры их практического использования в научной и практической работе врача-гематолога.

Ключевые слова: искусственный интеллект, машинное обучение, нейронная сеть.

Получено: 23 сентября 2021 г.

Принято в печать: 15 декабря 2021 г.

Читать статью в PDF

Статистика Plumx русский

ЛИТЕРАТУРА

  1. Muhsen IN, Shyr D, Sung AD, Hashmi SK. Machine Learning Applications in the Diagnosis of Benign and Malignant Hematological Diseases. Clin Hematol Intern. 2021;3(1):13–20. doi: 10.2991/chi.k.201130.001.
  2. Radakovich N, Nagy M, Nazha A. Machine learning in haematological malignancies. Lancet Haematol. 2020;7(7):e541–e550. doi: 10.1016/S2352-3026(20)30121-6.
  3. Deo RC. Machine Learning in Medicine. Circulation. 2015;132(20):1920–30. doi: 10.1161/CIRCULATIONAHA.115.001593.
  4. Miotto R, Wang F, Wang S, et al. Deep learning for healthcare: review, opportunities and challenges. Brief Bioinform. 2018;19(6):1236–46. doi: 10.1093/bib/bbx044.
  5. Esteva A, Robicquet A, Ramsundar B, et al. A guide to deep learning in healthcare. Nat Med. 2019;25(1):24–9. doi: 10.1038/s41591-018-0316-z.
  6. Komura D, Ishikawa S. Machine learning approaches for pathologic diagnosis. Virchows Arch. 2019;475(2):131–8. doi: 10.1007/s00428-019-02594-w.
  7. Sha L, Osinski BL, Ho IY, et al. Multi-Field-of-View Deep Learning Model Predicts Nonsmall Cell Lung Cancer Programmed Death-Ligand 1 Status from Whole-Slide Hematoxylin and Eosin Images. J Pathol Inform. 2019;10(1):24. doi: 10.4103/jpi.jpi_24_19.
  8. Abramoff MD, Lavin PT, Birch M, et al. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018;1(1):39. doi: 10.1038/s41746-018-0040-6.
  9. Benjamens S, Dhunnoo P, Mesko B. The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database. NPJ Digit Med. 2020;3(1):118. doi: 10.1038/s41746-020-00324-0.
  10. Shouval R, Fein JA, Savani B, et al. Machine learning and artificial intelligence in haematology. Br J Haematol. 2021;192(2):239–50. doi: 10.1111/bjh.16915.
  11. Shahid AH, Singh MP. Computational intelligence techniques for medical diagnosis and prognosis: problems and current developments. Biocybern Biomed Eng. 2019;39(3):638–72. doi: 10.1016/j.bbe.2019.05.010.
  12. Морозов С.П., Владзимирский А.В., Кляшторный В.Г. и др. Клинические испытания программного обеспечения на основе интеллектуальных технологий (лучевая диагностика). Лучшие практики лучевой и инструментальной диагностики. Препринт № ЦДТ-2019-1. М., 2019. 34 с.
    [Morozov SP, Vladzimirskii AV, Klyashtornyi VG, et al. Clinical acceptance of software based on artificial intelligence technologies (radiology). Preprint No. CDT-2019-1. Luchshie praktiki luchevoi i instrumental’noi diagnostiki. (Best practices in medical imaging.) Moscow; 2019. 34 (In Russ)]
  13. Shekelle PG, Shetty K, Newberry S, et al. Machine Learning Versus Standard Techniques for Updating Searches for Systematic Reviews: A Diagnostic Accuracy Study. Ann Intern Med. 2017;167(3):213–5. doi: 10.7326/L17-0124.
  14. Kimura K, Tabe Y, Ai T, et al. A novel automated image analysis system using deep convolutional neural networks can assist to differentiate MDS and AA. Sci Rep. 2019;9(1):13385. doi: 10.1038/s41598-019-49942-z.
  15. Wang Q, Bi S, Sun M, et al. Deep learning approach to peripheral leukocyte recognition. PLoS One. 2019;14(6):e0218808. doi: 10.1371/journal.pone.0218808.
  16. Hegde RB, Prasad K, Hebbar H, Singh BMK. Comparison of traditional image processing and deep learning approaches for classification of white blood cells in peripheral blood smear images. Biocybern Biomed Eng. 2019;39(2):382–92. doi: 10.1016/j.bbe.2019.01.005.
  17. Syrykh C, Abreu A, Amara N, et al. Accurate diagnosis of lymphoma on whole-slide histopathology images using deep learning. NPJ Digit Med. 2020;3(1):63. doi: 10.1038/s41746-020-0272-0.
  18. Achi HE, Belousova T, Chen L, et al. Automated Diagnosis of Lymphoma with Digital Pathology Images Using Deep Learning. Ann Clin Lab Sci. 2019;49(2):153–60.
  19. Sheng B, Zhou M, Hua M, et al. A blood cell dataset for lymphoma classification using faster R-CNN. Biotechnol Biotechnol Equip. 2020;34(1):413–20. doi: 10.1080/13102818.2020.1765871.
  20. Xu L, Tetteh G, Lipkova J, et al. Automated Whole-Body Bone Lesion Detection for Multiple Myeloma on (68)Ga-Pentixafor PET/CT Imaging Using Deep Learning Methods. Contrast Media Mol Imaging. 2018;2018:1–11. doi: 10.1155/2018/2391925.
  21. Martinez-Martinez F, Kybic J, Lambert L, Meckova Z. Fully automated classification of bone marrow infiltration in low-dose CT of patients with multiple myeloma based on probabilistic density model and supervised learning. Comput Biol Med. 2016;71:57–66. doi: 10.1016/j.compbiomed.2016.02.001.
  22. Wang L, Zhao Z, Luo Y, et al. Classifying 2-year recurrence in patients with DLBCL using clinical variables with imbalanced data and machine learning methods. Comput Meth Program Biomed. 2020;196:105567. doi: 10.1016/j.cmpb.2020.105567.
  23. Biccler JL, Eloranta S, de Nully Brown P, et al. Optimizing Outcome Prediction in Diffuse Large B-Cell Lymphoma by Use of Machine Learning and Nationwide Lymphoma Registries: A Nordic Lymphoma Group Study. JCO Clin Cancer Inform. 2018;2:1–13. doi: 10.1200/CCI.18.00025.
  24. Guncar G, Kukar M, Notar M, et al. An application of machine learning to haematological diagnosis. Sci Rep. 2018;8(1):411. doi: 10.1038/s41598-017-18564-8.
  25. Breiman L. Random forests. Machine Learning. 2001;45:5–32. doi: 1023/A:1010933404324.
  26. Nazha A, Komrokji RS, Meggendorfer M, et al. A Personalized Prediction Model to Risk Stratify Patients with Myelodysplastic Syndromes. Blood. 2018;132(Suppl 1):793. doi: 10.1182/blood-2018-99-114774.
  27. Hu SB, Wong DJ, Correa A, et al. Prediction of Clinical Deterioration in Hospitalized Adult Patients with Hematologic Malignancies Using a Neural Network Model. PLoS One. 2016;11(8):e0161401. doi: 10.1371/journal.pone.0161401.
  28. Prochazka VK, Matustikova S, Furst T, et al. Bayesian Network Modelling As a New Tool in Predicting of the Early Progression of Disease in Follicular Lymphoma Patients. Blood. 2020;136(Suppl 1):20–1. doi: 10.1182/blood-2020-139830.
  29. Mahmood N, Shahid S, Bakhshi T, et al. Identification of significant risks in pediatric acute lymphoblastic leukemia (ALL) through machine learning (ML) approach. Med Biol Eng Comput. 2020;58(11):2631–40. doi: 10.1007/s11517-020-02245-2.
  30. Gandelman JS, Byrne MT, Mistry AM, et al. Machine learning reveals chronic graft-versus-host disease phenotypes and stratifies survival after stem cell transplant for hematologic malignancies. Haematologica. 2019;104(1):189–96. doi: 10.3324/haematol.2018.193441.
  31. 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. doi: 10.1200/CCI.18.00137.
  32. 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):1019–27. doi: 10.1093/jamia/ocaa060.
  33. Shah P, Kendall F, Khozin S, et al. Artificial intelligence and machine learning in clinical development: a translational perspective. NPJ Digit Med. 2019;2(1):69. doi: 10.1038/s41746-019-0148-3.
  34. Shouval R, Labopin M, Bondi O, et al. Prediction of Allogeneic Hematopoietic Stem-Cell Transplantation Mortality 100 Days After Transplantation Using a Machine Learning Algorithm: A European Group for Blood and Marrow Transplantation Acute Leukemia Working Party Retrospective Data Mining Study. J Clin Oncol. 2015;33(28):3144–51. doi: 10.1200/JCO.2014.59.1339.
  35. Nazha A, Hu ZH, Wang T, et al. A Personalized Prediction Model for Outcomes after Allogeneic Hematopoietic Cell Transplant in Patients with Myelodysplastic Syndromes. Biol Blood Marrow Transplant. 2020;26(11):2139–46. doi: 10.1016/j.bbmt.2020.08.003.
  36. Bigorra L, Larriba I, Gutierrez-Gallego R. Machine learning algorithms for accurate differential diagnosis of lymphocytosis based on cell population data. Br J Haematol. 2019;184(6):1035–7. doi: 10.1111/bjh.15230.
  37. Nazha A, Sekeres MA, Bejar R, et al. Genomic Biomarkers to Predict Resistance to Hypomethylating Agents in Patients with Myelodysplastic Syndromes Using Artificial Intelligence. JCO Precis Oncol. 2019;3:1–11. doi: 10.1200/po.19.00119.
  38. Milgrom SA, Elhalawani H, Lee J, et al. A PET Radiomics Model to Predict Refractory Mediastinal Hodgkin Lymphoma. Sci Rep. 2019;9(1):1322. doi: 10.1038/s41598-018-37197-z.
  39. Moraes LO, Pedreira CE, Barrena S, et al. A decision-tree approach for the differential diagnosis of chronic lymphoid leukemias and peripheral B-cell lymphomas. Comput Meth Program Biomed. 2019;178:85–90. doi: 10.1016/j.cmpb.2019.06.014.
  40. Ni W, Hu B, Zheng C, et al. Automated analysis of acute myeloid leukemia minimal residual disease using a support vector machine. Oncotarget. 2016;7(44):71915–21. doi: 10.18632/oncotarget.12430.
  41. Fuse K, Uemura S, Tamura S, et al. Patient-based prediction algorithm of relapse after allo-HSCT for acute Leukemia and its usefulness in the decision-making process using a machine learning approach. Cancer Med. 2019;8(11):5058–67. doi: 10.1002/cam4.2401.
  42. Goswami C, Poonia S, Kumar L, Sengupta D. Staging System to Predict the Risk of Relapse in Multiple Myeloma Patients Undergoing Autologous Stem Cell Transplantation. Front Oncol. 2019;9:633. doi: 10.3389/fonc.2019.00633.
  43. Gal O, Auslander N, Fan Y, Meerzaman D. Predicting Complete Remission of Acute Myeloid Leukemia: Machine Learning Applied to Gene Expression. Cancer Inform. 2019;18:1–5. doi: 10.1177/1176935119835544.
  44. Huang S, Yang J, Fong S, Zhao Q. Artificial intelligence in cancer diagnosis and prognosis: Opportunities and challenges. Cancer Lett. 2020;471:61–71. doi: 10.1016/j.canlet.2019.12.007.
  45. Ubels J, Sonneveld P, van Beers EH, et al. Predicting treatment benefit in multiple myeloma through simulation of alternative treatment effects. Nat Commun. 2018;9(1):2943. doi: 10.1038/s41467-018-05348-5.
  46. Shain KH, Hart D, Silva AS, et al. Reinforcement Learning to Optimize the Treatment of Multiple Myeloma. Blood. 2019;134(Suppl_1):5511. doi: 10.1182/blood-2019-132234.
  47. Mateos MV, Blacklock H, Schjesvold F, et al. Pembrolizumab plus pomalidomide and dexamethasone for patients with relapsed or refractory multiple myeloma (KEYNOTE-183): a randomised, open-label, phase 3 trial. Lancet Haematol. 2019;6(9):e459–e469. doi: 10.1016/S2352-3026(19)30110-3.
  48. Liao JJZ, Farooqui MZH, Marinello P, et al. Using artificial intelligence tools in answering important clinical questions: The KEYNOTE-183 multiple myeloma experience. Contemp Clin Trials. 2020;99:106179. doi: 10.1016/j.cct.2020.106179.
  49. Третье мнение. AI для клинической лабораторной диагностики (электронный документ). Доступно по: https://thirdopinion.ai/ru#rec Ссылка активна на 06.10.2021.
    [Third Opinion. AI for clinical laboratory diagnostics (Internet). Available from: https://thirdopinion.ai/ru#rec354556522 (accessed 06.10.2021). (In Russ)]

Иммуногистохимический подтип и параметры международного прогностического индекса в новой модели прогноза диффузной B-крупноклеточной лимфомы

ЛИМФОИДНЫЕ ОПУХОЛИ , , , ,

С.В. Самарина1, А.С. Лучинин1, Н.В. Минаева1, И.В. Парамонов1, Д.А. Дьяконов1, Е.В. Ванеева1, В.А. Росин1, С.В. Грицаев2

1 ФГБУН «Кировский НИИ гематологии и переливания крови ФМБА », ул. Красноармейская, д. 72, Киров, Российская Федерация, 610027

2 ФГБУ «Российский НИИ гематологии и трансфузиологии ФМБА», ул. 2-я Советская, д. 16, Санкт-Петербург, Российская Федерация, 191024

Для переписки: Светлана Валерьевна Самарина, ул. Красноармейская, д. 72, Киров, Российская Федерация, 610027; тел.: +7(912)732-47-56; e-mail: samarinasv2010@mail.ru

Для цитирования: Самарина С.В., Лучинин А.С., Минаева Н.В. и др. Иммуногистохимический подтип и параметры международного прогностического индекса в новой модели прогноза диффузной B-крупноклеточной лимфомы. Клиническая онкогематология. 2019;12(4):385–90.

DOI: 10.21320/2500-2139-2019-12-4-385-390

РЕФЕРАТ

Цель. Разработать комплексную модель прогнозирования течения диффузной В-крупноклеточной лимфомы (ДВКЛ) с использованием иммуногистохимического подтипа опухоли и параметров международного прогностического индекса (IPI).

Материалы и методы. Из 104 больных ДВКЛ в базе данных критериям включения соответствовал 81 (77,9 %). Медиана возраста составила 58 лет (диапазон 23–83 года). Все больные получали лечение по схеме R-СНОР. Для создания прогностической модели общей выживаемости (ОВ) больных ДВКЛ использовали метод машинного обучения — деревья классификации и регрессии. Анализ ОВ проводился по методу Каплана—Мейера. Для сравнения кривых выживаемости применяли лог-ранговый критерий и отношение рисков (ОР). Статистической значимостью любого теста считался полученный двусторонний уровень p < 0,05.

Результаты. Согласно построенной модели, выделены три группы пациентов: 1-я — группа низкого риска (сочетание низкого, промежуточного низкого и промежуточного высокого риска по IPI и GCB-подтипа); 2-я — группа промежуточного риска (сочетание низкого, промежуточного низкого и промежуточного высокого риска по IPI и non-GCB-подтипа); 3-я — группа высокого риска (независимо от подтипа). В группе низкого риска (n = 26) 2-летняя ОВ за исследуемый период составила 100 %. В группе промежуточного риска (n = 34) медиана ОВ не достигнута, 2-летняя ОВ составила 74 %, ожидаемая 5-летняя ОВ — 68 %. В группе высокого риска (n = 21) медиана ОВ была 25 мес., 2-летняя ОВ — 46 %, ожидаемая 5-летняя ОВ — 37 % (p < 0,0001, лог-ранговый критерий). ОР, рассчитанное для группы высокого риска по сравнению с группами низкого и промежуточного, составило 5,1 (95%-й доверительный интервал 2,1–12,1; p = 0,0003).

Заключение. Предложена новая комбинированная система прогноза ДВКЛ, включающая в себя параметры риска по IPI и иммуногистохимический подтип опухоли по алгоритму Ханса. Данная прогностическая система может использоваться в клинической практике для стратификации больных с ДВКЛ и подбора риск-адаптированной терапии.

Ключевые слова: диффузная В-крупноклеточная лимфома, общая выживаемость, прогноз, международный прогностический индекс, машинное обучение.

Получено: 18 марта 2019 г.

Принято в печать: 27 августа 2019 г.

Читать статью в PDF

ЛИТЕРАТУРА

  1. Martellia M, Ferrerib AJM, Agostinellic C, et al. Diffuse large B-cell lymphoma. Crit Rev Oncol Hematol. 2013;87(2):146–71. doi: 10.1016/j.critrevonc.2012.12.009.

  2. Lynch RC, Gratzinger D, Advani RH. Clinical Impact of the 2016 Update to the WHO Lymphoma Classification. Curr Treat Options Oncol. 2017;18(7):45. doi: 10.1007/s11864-017-0483-z.

  3. Li X, Huang H, Xu B, et al. Dose-Dense Rituximab-CHOP versus Standard Rituximab-CHOP in Newly Diagnosed Chinese Patients with Diffuse Large B-Cell Lymphoma: A Randomized, Multicenter, Open-Label Phase 3 Trial. Cancer Res Treat. 2019;51(3):919–32. doi: 10.4143/crt.2018.230.

  4. Coiffier B, Lepage E, Briere J, et al. CHOP chemotherapy plus rituximab compared with CHOP alone in elderly patients with diffuse large-B-cell lymphoma. N Engl J Med. 2002;346(4):235–42. doi: 10.1056/NEJMoa011795.

  5. Castellino A, Chiappella A, LaPlant BR, et al. Lenalidomide plus R-CHOP21 in newly diagnosed diffuse large B-cell lymphoma (DLBCL): long-term follow-up results from a combined analysis from two phase 2 trials. Blood Cancer J. 2018;8(11):108. doi: 10.1038/s41408-018-0145-9.

  6. Sharman JP, Forero-Torres A, Costa LJ, et al. Obinutuzumab plus CHOP is effective and has a tolerable safety profile in previously untreated, advanced diffuse large B-cell lymphoma: the phase II GATHER study. Leuk Lymphoma. 2018;60(4):894–903. doi: 10.1080/10428194.2018.1515940.

  7. Kameoka Y, Akagi T, Murai K, et al. Safety and efficacy of high-dose ranimustine (MCNU) containing regimen followed by autologous stem cell transplantation for diffuse large B-cell lymphoma. Int J Hematol. 2018;108(5):510–5. doi: 10.1007/s12185-018-2508-1.

  8. Sehn LH, Berry B, Chhanabhai M, et al. The revised International Prognostic Index (R-IPI) is a better predictor of outcome than the standard IPI for patients with diffuse large B-cell lymphoma treated with R-CHOP. Blood. 2007;109(5):1857–61. doi: 10.1182/blood-2006-08-038257.

  9. Biccler J, Eloranta S, de Nully Brown P, et al. Simplicity at the cost of predictive accuracy in diffuse large B-cell lymphoma: a critical assessment of the R-IPI, IPI, and NCCN-IPI. Cancer Med. 2018;7(1):114–22. doi: 10.1002/cam4.1271.

  10. Shipp MA, Harrington DP, Anderson JR, et al. A predictive model for aggressive non-Hodgkin’s lymphoma. N Engl J Med. 1993;329(14):987–94. doi: 10.1056/NEJM199309303291402.

  11. Li JM, Wang L, Shen Y, et al. Rituximab in combination with CHOP chemotherapy for the treatment of diffuse large B cell lymphoma in Chinese patients. Annals Hematol. 2007;86(9):639–45. doi: 10.1007/s00277-007-0320-8.

  12. Alizadeh AA, Eisen MB, Davis RE, et al. Distinct types of diffuse large B-cell lymphoma identified by gene-expression profiling. Nature. 2000;403(6769):503–51. doi: 10.1038/35000501.

  13. Wang KL, Chen C, Shi PF, et al. Prognostic Value of Morphology and Hans Classification in Diffuse Large B Cell Lymphoma. Zhongguo Shi Yan Xue Ye Xue Za Zhi. 2018;26(4):1079–85. doi: 10.7534/j.issn.1009-2137.2018.04.023.

  14. Rashidi A, Oak E, Carson KR, et al. Outcomes with R-CEOP for R-CHOP-ineligible patients with diffuse large B-cell lymphoma are highly dependent on cell of origin defined by Hans criteria. Leuk Lymphoma. 2016;57(5):1191–3. doi: 10.3109/10428194.2015.1096356.

  1. Ye ZY, Cao YB, Lin TY, Lin HL. Subgrouping and outcome prediction of diffuse large B-cell lymphoma by immunohistochemistry. Zhonghua Bing Li Xue Za Zhi. 2007;36(10):654–9.

  1. Montalban C, Diaz-Lopez A, Martin A, et al. Differential prognostic impact of GELTAMO-IPI in cell of origin subtypes of Diffuse Large B Cell Lymphoma as defined by the Hans algorithm. Br J Haematol. 2018;182(4):534–41. doi: 10.1111/bjh.15446.

  2. Tibiletti MG, Martin V, Bernasconi B, et al. BCL2, BCL6, MYC, MALT 1, and BCL10 rearrangements in nodal diffuse large B-cell lymphomas: a multicenter evaluation of a new set of fluorescent in situ hybridization probes and correlation with clinical outcome. Hum Pathol. 2009;40(5):645–52. doi: 10.1016/j.humpath.2008.06.032.

  3. Jaglal MV, Peker D, Tao J, Cultrera JL. Double and Triple Hit Diffuse Large B Cell Lymphomas and First Line Therapy. Blood. 2012;120:4885 [abstract].

  4. Kim M, Suh C, Kim J, Hong JY. Difference of Clinical Parameters between GCB and Non-GCB Subtype DLBCL. Blood. 2017;130:5231 [abstract].

  5. Da Costa CBT. Machine Learning Provides an Accurate Classification of Diffuse Large B-Cell Lymphoma from Immunohistochemical Data. J Pathol Inform. 2018;9(1):21. doi: 10.4103/jpi.jpi_14_18.

  6. Российские клинические рекомендации по диагностике и лечению лимфопролиферативных заболеваний. Под ред. И.В. Поддубной, В.Г. Савченко. М.: Буки Веди, 2016.

    [Poddubnaya IV, Savchenko VG, eds. Rossiiskie klinicheskie rekomendatsii po diagnostike i lecheniyu limfoproliferativnykh zabolevanii. (Russian clinical guidelines on diagnosis and treatment of lymphoproliferative disorders). Moscow: Buki Vedi Publ.; 2016. (In Russ)]

  7. Leval L, Harris NL. Variability in immunophenotype in diffuse large B-cell lymphoma and it‘s clinical relevance. Histopathol. 2003;43(6):509–28. doi: 10.1111/j.1365-2559.2003.01758.x.

  8. Skarbnik AP, Donato ML. Safety and Efficacy Data for Combined Checkpoint Inhibition with Ipilimumab (Ipi) and Nivolumab (Nivo) As Consolidation Following Autologous Stem Cell Transplantation (ASCT) for High-Risk Hematological Malignancies. Blood. 2018;132:256.

  9. Matsuki E, Younes A. Checkpoint Inhibitors and Other Immune Therapies for Hodgkin and Non-Hodgkin Lymphoma. Curr Treat Options Oncol. 2016;17(6):31. doi: 10.1007/s11864-016-0401-9.

  10. Kaneko H, Tsutsumi Y, Fujino T, et al. Favorable event free-survival of high-dose chemotherapy followed by autologous hematopoietic stem cell transplantation for higher risk diffuse large B-cell lymphoma in first complete remission. Hematol Rep. 2015;7(2):5812 [abstract]. doi: 10.4081/hr.2015.5812.