Universität zu Köln

Naji, Hussein (2024). Deep Learning for Prediction of Recurrence of Diffuse Large B-Cell Lymphoma. PhD thesis, Universität zu Köln.

PDF Dissertation_Naji.pdf Download (68MB)

Abstract

Diffuse large B-cell lymphoma (DLBCL) is an aggressive and highly heterogeneous tumor which is fatal without treatment. It is the most common non-Hodgkin lymphoma in adults. Up to today, its treatment presents a serious challenge as up to half of the treated patients suffer from recurrence of this cancer. Therefore, an early detection of those patients who do not benefit from standard first-line treatments would be of high significance as treatment procedures could be more personalized to prevent a recurrence. Previous research suggested that clinical data, gene expression markers, and genetic abnormalities are strong prognostic factors for recurrence of various cancer types. Recently, deep learning (DL) has shown increasing success in predicting recurrence of cancer from histological images. DL models, despite being highly accurate predictors, are often criticized for their black box characteristic. However, state-of-the-art research, such as models that use multiple instance learning, attention-based mechanisms, and/or class activation mapping methods, indicates that it is possible to make models more explainable. From a biological perspective, the morphology of tumor cells has also been used for several medical prediction and classification tasks because it is crucial to grasp a full picture of the tumor microenvironment. All experiments conducted within this project are based on histological images of DLBCL. Firstly, it is shown that morphological features extracted from cell nuclei are strong indicators to distinguish between different cell types in DLBCL tumors. Secondly, cell nuclei are automatically segmented and classified to close the gap of non-existing segmentation approaches for lymphoma images. The last part deals with the prediction of recurrence of DLBCL and combines the methods and findings of the previous approaches with attention-based mechanisms of DL models to biologically interpret the model’s prediction decision. To this end, it was not only possible to distinguish nonrecurred from recurred patients but also to explain which morphological features of cell nuclei were indicative for the prediction task. This allows for both, an upfront detection of recurred patients and to find distinct morphological patterns between both groups of interest.

Item Type:	Thesis (PhD thesis)
Translated title:	Title Language Deep Learning zur Rezidivvorhersage von diffusem großzelligen B-Zell-Lymphom German
Translated abstract:	Abstract Language 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
Creators:	Creators Email ORCID ORCID Put Code Naji, Hussein hnaji@uni-koeln.de UNSPECIFIED UNSPECIFIED
URN:	urn:nbn:de:hbz:38-732294
Date:	2024
Language:	English
Faculty:	Faculty of Mathematics and Natural Sciences
Divisions:	Faculty of Mathematics and Natural Sciences > Department of Mathematics and Computer Science > Institute of Computer Science
Subjects:	Data processing Computer science Medical sciences Medicine
Uncontrolled Keywords:	Keywords Language Deep Learning UNSPECIFIED Recurrence Prediction UNSPECIFIED Diffuse Large B-Cell Lymphoma UNSPECIFIED
Date of oral exam:	12 July 2024
Referee:	Name Academic Title Bozek, Katarzyna Prof. Dr.
Refereed:	Yes
URI:	http://kups.ub.uni-koeln.de/id/eprint/73229