Analyse von AML Blutdynamik mittels deep learning

Beschreibung

Hintergrund

In der klinischen Diagnostik und Klassifikation akuter myeloischer Leukämien (AML) spielt die Beurteilung der zytomorphologischen Eigenschaften der Leukämiezellen (Blasten) eine entscheidende Rolle (Döhner et al., 2017). Der in der Klinik angewandte diagnostische Standard ist dabei die Begutachtung von Ausstrichen des peripheren Blutes und von Knochenmarksaspiraten durch entsprechend ausgebildete Befunder im Lichtmikroskop. Dieses Verfahren hat sich in der klinischen Standarddiagnostik bewährt, ist jedoch hinsichtlich seiner statistischen Aussagekraft und quantitativen Verlässlichkeit begrenzt. Methodisch hat sich zur Auswertung von medizinischen Bilddaten unterschiedlicher Herkunft in den vergangenen Jahren das so genannte tiefe Lernen („Deep Learning“) führend etabliert, bei dem künstliche neuronale Netze bestehend aus mehreren („tiefen“) Schichten mit einer großen Anzahl an Daten trainiert werden (LeCun et al., 2015). Basierend auf diesem Ansatz wurde beispielsweise ein Algorithmus zur Lymphozytendetektion in histologischen Schnitten entwickelt (Chen and Chefd’hotel, 2014). Auch subzelluläre Eigenschaften können im Rahmen dieser Methodik erfasst werden, wie etwa ein DL-basierter automatischer Detektionsalgorithmus für Mitosen in Schnitten aus Mammakarzinomen zeigt (Cireşan et al., 2013). Gegenüber der gängigen Auswertung der Präparate durch ausgebildete menschliche Befunder ergibt sich der Vorteil, dass am Computer eine weitaus größere Zellzahl ausgewertet werden kann und so statistisch zuverlässigere Aussagen über die einzelnen Zellpopulationen möglich werden.


Ziel

Ziel des Forschungsvorhabens ist es, ein vertieftes Verständnis der Zellmorphologie im Krankheitsverlauf akuter Leukämien zu erreichen. Hierzu soll ein convolutional neural network (CNN) zur automatisierten Erkennung und quantitativen Auswertung der Morphologie von Zellen der physiologischen und pathologischen Hämatopoese trainiert werden. Davon ausgehend soll die Entwicklung der Zellphänotypen und -morphologien im zeitlichen Verlauf der AML Erkrankung und unter Therapie untersucht und quantifiziert werden. Insbesondere sollen Unterschiede in der Morphologie pathologischer Zellen aus der Phase der AML Erstdiagnose und im Falle eines AML Rezidivs untersucht werden, um ein verbessertes Verständnis der Dynamik morphologischer Zelleigenschaften zu verschiedenen Zeitpunkten zu erreichen.


Milestones

● Auswahl von Blut- und Knochenmarkausstichen von Erstdiagnose und Rezidiv von xxx AML Patienten aus dem Archiv des Spiekermann Labors
● Digitalisierung der Proben mittels einem Scanning Mikroskop
● Training und Evaluation eines CNN zur Klassifikation einzelner Blutzellen
● Analyse der Blutdynamik, niedrigdimensionale Einbettung der Proben in eine ‘Pseudotime’ (Haghverdi et al., 2016)


Anforderungen

Der Antragsteller ist interdisziplinär interessiert, beherrscht eine Programmiersprache, und besitzt ein grundlegendes Verständnis von Algorithmen.


Referenzen

Chen, T., and Chefd’hotel, C. (2014). Deep Learning Based Automatic Immune Cell Detection for Immunohistochemistry Images. In Machine Learning in Medical Imaging, (Cham: Springer International Publishing), pp. 17–24.
Cireşan, D.C., Giusti, A., Gambardella, L.M., and Schmidhuber, J. (2013). Mitosis detection in breast cancer histology images with deep neural networks. Med. Image Comput. Comput. Assist. Interv. 16, 411–418.
Döhner, H., Estey, E., Grimwade, D., Amadori, S., Appelbaum, F.R., Büchner, T., Dombret, H., Ebert, B.L., Fenaux, P., Larson, R.A., et al. (2017). Diagnosis and management of AML in adults: 2017 ELN recommendations from an international expert panel. Blood 129, 424–447.
Haghverdi, L., Büttner, M., Wolf, F.A., Buettner, F., and Theis, F.J. (2016). Diffusion pseudotime robustly reconstructs lineage branching. Nat. Methods.
LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. Nature 521, 436–444.

Eigenschaften

Freisemester erwünscht Freisemester erwünscht
Geschätzte Dauer: 12 Monate

Förderungsmöglichkeiten

José Carreras Leukämie-Stiftung
IRTG des SFB 1243

Kommentar

Ansprechpersonen

Prof. Karsten Spiekermann
[email protected]
http://www.klinikum.uni-muenchen.de/Medizinische-Klinik-und-Poliklinik-III/de/forschung/oncogenic_signalling/index.html

und

Dr. Carsten Marr
[email protected]
https://www.helmholtz-muenchen.de/icb/research/groups/quantitative-single-cell-dynamics/overview/index.html

Kontakt