Meta learning for blast cell classification in flow cytometry data using MAML and transformer models

Abstract

Diese Arbeit untersucht die Anwendung von Model-Agnostic Meta-Learning (MAML) zur Klassifizierung von Blutzellen bei akuter lymphoblastischer Leukämie (ALL) unter Verwendung von Durchflusszytometrie-Daten. Dies erfolgt durch den Vergleich der Leistung von MAML mit einem Basismodell unter verschiedenen experimentellen Bedingungen, mit Schwerpunkt auf FewShot-Learning-Szenarien. Die Ergebnisse zeigen, dass obwohl MAML während des Trainings eine höhere Instabilität und längere Konvergenzzeit aufweist als das Basismodell, es bei größeren und vielfältigen Datensätzen sowie bei unbekannten Aufgaben eine bessere Generalisierungsfähigkeit zeigt. Dies deutet darauf hin, dass MAML geeignet ist komplexe, aufgabenspezifische Merkmale insbesondere in heterogenen medizinischen Datensätzen zu erfassen. Das Basismodell hingegen übertrifft MAML bei kleineren Datensätzen aufgrund seiner schnelleren Konvergenz und geringeren Empfindlichkeit gegenüber Hyperparametern. Die Studie trägt zur Weiterentwicklung von MetaLearning in der medizinischen Diagnostik bei, identifiziert wesentliche Schwächen von MAML und schlägt Verbesserungen wie optimiertes Hyperparameter-Tuning, Datenbalancierung und krankheitsübergreifende Generalisierung vor. Die Erkenntnisse dieser Arbeit liefern wertvolle Impulse zur Entwicklung anpassungsfähiger und effizienter Diagnoseinstrumente für die Minimal Residual Disease (MRD)-Bewertung.

This thesis explores the application of Model-Agnostic Meta-Learning (MAML) for classifying blast cells in Acute Lymphoblastic Leukemia (ALL) and Acute Myeloid Leukemia (AML) using flow cytometry data. It evaluates MAML's performance against a baseline model across various experimental setups, focusing on few-shot learning scenarios. Results indicate that while MAML exhibits higher training instability and longer convergence times, it demonstrates superior generalization when trained on larger, diverse datasets and tested on unseen tasks. This suggests MAML's potential to capture complex, task-specific features, particularly in heterogeneous medical datasets. However, the baseline model outperforms MAML on smaller datasets due to its faster convergence and lower sensitivity to hyperparameter tuning. This study contributes to advancing meta-learning applications in medical diagnostics, identifies key limitations of MAML, and proposes improvements, including optimized hyperparameter tuning, dataset balancing, and cross-disease generalization. These findings offer insights for developing adaptable and efficient diagnostic tools for Minimal Residual Disease (MRD) assessment.