Bürger, Corinna (2023). Tumordetektion und Vorhersage eines Progresses anhand histologischer Schnitte kutaner Plattenepithelkarzinome mithilfe eines neuronalen Netzes. PhD thesis, Universität zu Köln.

[img] PDF
dissertation_Corinna_Buerger.pdf - Accepted Version

Download (3MB)

Abstract

Kutane Plattenepithelkarzinome (englisch: Cutaneous squamous cell carcinoma, „cSCC“) gehören in Deutschland zu den häufigsten Karzinomen. Während die meisten davon erfreulicherweise eine gute Prognose aufweisen, sinkt diese drastisch, sobald ein Progress, entweder in Form eines Lokalrezidivs oder einer Fernmetastase, auftritt. Bisher erfolgt die Risikostratifizierung bezüglich des Auftretens eines Progresses anhand klinischer Risikofaktoren. Diese Methode der Risikobewertung ist jedoch häufig noch nicht ausreichend, um einen Progress zuverlässig vorherzusehen. Das Ziel der vorliegenden Arbeit war die Entwicklung eines neuronalen Netzes, welches anhand histologischer Schnitte von cSCC eine Vorhersage trifft, ob der betroffene Patient einen Progress entwickeln wird oder nicht. Der Begriff „Progress“ beinhaltet hierbei sowohl Lokalrezidive als auch Fernmetastasen. Zu diesem Zweck wurde mittels Transferlernens ein Convolutional Neural Network (CNN Progress) an insgesamt 28250 Bildausschnitten, sogenannten „Tiles“, von jeweils 42 histologischen Schnitten exzidierter cSCC-Primarien mit und ohne dokumentiertem Auftreten eines Progresses trainiert. Zuvor erfolgte die Entfernung von Tiles ohne Gewebe sowie jener Tiles, auf denen ausschließlich physiologisches Gewebe oder nicht ausreichend Tumor abgebildet war. Die Tumorerkennung auf den Tiles erfolgte dabei automatisiert mithilfe eines weiteren neuronalen Netzes (CNN Tumor), welches anhand von 12527 selbst-annotierten Tiles trainiert wurde. Das CNN Tumor erreichte in einem Testset auf der Ebene der Tiles (n = 15429) eine hohe Sensitivität (92 %) und Spezifität (89 %). Die Erstellung einer Receiver Operating Characteristic (ROC)-Kurve ergab eine Area Under the Curve (AUC) von 0.96. Bezogen auf die Klassifikation ganzer histologischer Schnitte, sogenannter „Slides“, und in Anbetracht des Zustandes, dass sich falsch-positiv klassifizierte Tiles nicht gänzlich vermeiden lassen, ließ sich errechnen, dass bei unserem trainierten CNN Tumor ab einem Anteil von 21,7 % klassifizierter „Tumor“-Tiles mit dem tatsächlichen Vorliegen eines Tumors auf dem Slide zu rechnen ist. Mit diesem Schwellenwert wurden alle 11 getesteten „Tumor“-Slides als richtig-positiv und 9/10 Normalhaut-Slides (90 %) als richtig-negativ klassifiziert. Das CNN Progress erreichte auf der Ebene der Tiles einen negativen prädiktiven Wert (NPW) von 70 % bei eher geringer Sensitivität (61 %) und Spezifität (63 %). Bezogen auf die Klassifikation ganzer Slides wurde errechnet, dass ab einem Anteil von 55,4 % als „progredient“ klassifizierter Tiles bei dem jeweiligen Patienten von der Entwicklung eines Progresses auszugehen ist. Damit wurden 10/12 Slides (83 %) als richtig-negativ klassifiziert. Zudem untersuchten wir, inwiefern sowohl klinische Merkmale als auch Merkmale des Tumors mit einem erhöhten Risiko für das Auftreten eines Progresses korrelieren. Dabei konnte eine signifikante Erhöhung des Risikos bei Vorliegen einer Perineuralscheideninvasion beobachtet werden. Zudem wiesen die cSCC, bei denen im Verlauf ein Progress auftrat, eine signifikant größere Tumordicke auf im Vergleich zu den cSCC, die sich nicht progredient zeigten. Insgesamt gelang durch das CNN Tumor eine Tumordetektion mit hoher Sensitivität und Spezifität, während bei der Entwicklung des CNN Progress noch Optimierungsbedarf besteht. Wir schlussfolgerten, dass die Ursache hierfür am ehesten in den im Vergleich zur Tumordetektion weniger ausgeprägten histomorphologischen Unterschieden zwischen Tiles von Patienten, die einen Progress entwickelten und denjenigen, bei denen kein Progress auftrat, begründet liegt. Obwohl neuronale Netze prinzipiell in der Lage sind, Bildmerkmale zu extrahieren, die dem menschlichen Auge verborgen bleiben, konnten solche Merkmale durch unser CNN Progress weniger herausgelesen werden. Die für Dermatologen prominenten Unterschiede zwischen Normalhaut- und Tumorgewebe sind von unserem CNN Tumor zuverlässig gelernt worden, sodass methodische Fehler zumindest unwahrscheinlich erscheinen. Eine Möglichkeit zur Verbesserung der Vorhersagekraft wäre, die histologischen Bilder im Ganzen oder zumindest in größeren Bildausschnitten zu verarbeiten, um so prognoserelevante Informationen, wie beispielsweise die Tumordicke oder die Eindringtiefe, erhalten zu können. Die Verwendung einer größeren Kohorte mit einer höheren Anzahl an Progressen könnte ebenso zu einer höheren Sensitivität und Spezifität führen. Auch ein multifaktorieller Ansatz könnte hilfreich sein, in dem klinische Risikofaktoren ebenso wie das histologische Bild von Patienten gemeinsam von einem neuronalen Netz verarbeitet werden. Zusammenfassend konnten wir am Beispiel des cSCC zeigen, dass Methoden der künstlichen Intelligenz für die Interpretation histologischer Schnitte von großem Wert sein können.

Item Type: Thesis (PhD thesis)
Creators:
CreatorsEmailORCIDORCID Put Code
Bürger, Corinnacorinna_buerger@yahoo.deUNSPECIFIEDUNSPECIFIED
URN: urn:nbn:de:hbz:38-711485
Date: 2023
Language: German
Faculty: Faculty of Medicine
Divisions: Faculty of Medicine > Dermatologie > Klinik und Poliklinik für Dermatologie und Venerologie
Subjects: Medical sciences Medicine
Uncontrolled Keywords:
KeywordsLanguage
Neuronale NetzeGerman
Machine LearningEnglish
Kutane PlattenepithelkarzinomeGerman
cSCCEnglish
TransferlernenGerman
Date of oral exam: 22 August 2023
Referee:
NameAcademic Title
Helbig, DorisPrivatdozentin Dr. med.
Bożek, KatarzynaUniversitätsprofessorin Dr. rer. nat.
Refereed: Yes
URI: http://kups.ub.uni-koeln.de/id/eprint/71148

Downloads

Downloads per month over past year

Loading...

Export

Actions (login required)

View Item View Item