Universität zu Köln

Das diffuse großzellige B-Zell-Lymphom (DLBCL) ist ein aggressiver und sehr heterogener Tumor, der ohne Behandlung tödlich verläuft. Es ist das häufigste Non-Hodgkin- Lymphom bei Erwachsenen. Bis heute stellt seine Behandlung eine ernste Herausforderung dar, da bei bis zur Hälfte der behandelten Patienten ein Rezidiv dieser Krebsart auftritt. Daher wäre eine frühzeitige Erkennung derjenigen Patienten, die von den Standard-Erstlinientherapien nicht profitieren, von großer Bedeutung, da die Behandlungsverfahren stärker personalisiert werden könnten, um ein Rezidiv zu verhindern. Frühere Forschungen haben gezeigt, dass klinische Daten, Genexpressionsmarker und genetische Anomalien starke prognostische Faktoren für das Rezidiv verschiedener Krebsarten sind. In jüngster Zeit hat Deep Learning (DL) zunehmenden Erfolg bei der Vorhersage von Rezidiven aus histologischen Bildern gezeigt. Obwohl DL-Modelle hochpräzise Vorhersagen ermöglichen, werden sie oft wegen ihrer Blackbox-Eigenschaften kritisiert. Der aktuelle Stand der Forschung, wie z.B. Modelle, die Mehrfachinstanz-Lernen (Multiple Instance Learning), aufmerksamkeitsbasiertes Lernen (Attention-based Learning) und/oder Klassenaktivierungsmapping-Methoden (z.B. Grad-CAM) verwenden, zeigt jedoch, dass es möglich ist, die Modelle besser zu erklären. Aus biologischer Sicht wurde ebenfalls die Morphologie von Tumorzellen für verschiedene medizinische Vorhersage- und Klassifizierungsaufgaben verwendet, da sie entscheidend ist, um ein vollständiges Bild der Mikroumgebung des Tumors zu erhalten. Alle im Rahmen dieses Projekts durchgeführten Experimente beruhen auf histologischen Bildern von DLBCL. Zunächst wird gezeigt, dass morphologische Merkmale, die aus Zellkernen extrahiert wurden, starke Indikatoren zur Unterscheidung zwischen verschiedenen Zelltypen in DLBCL-Tumoren sind. Zweitens werden Zellkerne automatisch segmentiert und klassifiziert, um die Lücke nicht vorhandener Segmentierungsansätze für Lymphombilder zu schließen. Der letzte Teil befasst sich mit der Vorhersage eines Rezidivs von DLBCL und kombiniert die Methoden und Erkenntnisse der vorherigen Ansätze mit aufmerksamkeitsbasierten Mechanismen von DL-Modellen, um die Vorhersageentscheidung des Modells biologisch zu interpretieren. Dadurch war es möglich, nicht nur rezidivierte von nicht-rezidivierten Patienten zu unterscheiden, sondern auch zu erklären, welche morphologischen Merkmale der Zellkerne für die Vorhersage ausschlaggebend waren. Dies ermöglicht sowohl eine frühzeitige Erkennung von rezidivierten Patienten als auch das Auffinden distinkter morphologischer Muster zwischen beiden Interessengruppen.

German