Self-explaining transformers for cell population detection in flow cytometry data

Abstract

Entscheidungen von automatisierten Systemen im Gesundheitswesen können weitreichende Folgen haben, wie z.B. eine verzögerte oder falsche Behandlung, und müssen daher für medizinische Experten erklärbar und nachvollziehbar sein. Dies gilt auch für den Bereich der automatisierten Flow Cytometry (FCM) Datenanalyse.Bei der Leukämietherapie werden FCM-Proben aus dem Knochenmark des Patienten gewonnen, um die Anzahl der verbleibenden Leukämiezellen zu bestimmen. In einem manuellem Prozess, dem so genannten Gating, zeichnen medizinische Experten mehrere Polygone um verschiedene Zellpopulationen in 2D-Projektionen, um eine Krebszellpopulation in einer FCM-Probe aufzuspüren.Es gibt mehrere Ansätze, die darauf abzielen, diese Aufgabe zu automatisieren. State-of-the-art Modelle zur automatischen zellweisen Klassifizierung agieren in ihrer Vorhersage als Black-Boxen und haben nicht die Erklärbarkeit von durch den Menschen erstellten Gating Hierarchien.In dieser Arbeit wird ein neuartiger transformer-basierter Ansatz vorgestellt, der Zellen in FCM-Daten klassifiziert, indem er den Entscheidungsprozess von medizinischen Experten nachahmt. Das Netzwerk berücksichtigt alle Messereignisse einer Probe auf einmal und sagt die entsprechenden Polygone der Gating-Hierarchie voraus, wodurch eine nachvollziehbare Visualisierung ensteht, ähnlich wie es ein menschlicher Operator tut. Das vorgeschlagene Modell wurde an drei öffentlich zugänglichen Datensätzen für akute lymphoblastische Leukämie (ALL) evaluiert. Im experimentellen Vergleich erreicht es mit großen Datensätzen ähnliche Genauigkeit bei der automatischen Identifizierung von Blastenzellen und liefert gleichzeitig erklärbare Visualisierungen für menschliche Experten.

Decisions of automated systems in healthcare can have far-reaching consequences such as delayed or incorrect treatment and thus must be explainable and comprehensible for medical experts. This also applies to the field of automated Flow Cytometry (FCM) data analysis.In leukemic cancer therapy, FCM samples are obtained from the patient’sbone marrow to determine the number of remaining leukemic cells. Ina manual process, called gating, medical experts draw several polygons among different cell populations on 2D plots in order to hierarchicallysub-select and track down cancer cell populations in an FCM sample.Several approaches exist that aim at automating this task. However, predictions of state-of-the-art models for automatic cell-wise classification act as black-boxes and lack the explainability of human-created gating hierarchies. In this thesis a novel transformer-based approach is proposed that classifies cells in FCM data by mimicking the decision process of medical experts. The network considers all events of a sample at once and predicts the corresponding polygons of the gating hierarchy, thus, producing a verifiable visualization in the same way a human operator does. The proposed model has been evaluated on three publicly available datasets for acute lymphoblastic leukemia (ALL). In experimental comparison it reaches state-of-the-art performance for automated blast cell identification while providing transparent results and explainable visualizations for human experts.