Predicting tumor-infiltrating lymphocytes for glioblastoma using radiomics and deep learning approaches

Abstract

Das Glioblastoma multiforme ist der tödlichste primäre Hirntumortyp. Obwohl Immuntherapien eine Behandlungsmethode für andere Krebsarten sind, gibt es sie nicht für das Glioblastom. Die Forschung hat gezeigt, dass die immunologische Mikroumgebung eine entscheidende Rolle bei erfolgreichen Immuntherapien spielt. Tumor-Infiltrierende Lymphozyten sind ein wesentlicher Bestandteil der Mikroumgebung und für Immuntherapien von Bedeutung. Diese Arbeit beschreibt zwei Ansätze zur Vorhersage solcher Tumor-Infiltrierenden Lymphozyten aus in vivo Magnetresonanz-Volumina. Die verwendeten Methoden extrahieren Informationen aus manuell segmentierten Regions-of-Interest, um maschinelle Lernmodelle zu erstellen, die die extrahierten Merkmale mit Markern der Tumor-Infiltrierenden Lymphozyten in Verbindung bringen. Der erste Ansatz nutzt radiomische Merkmale und verwendet elastische Netze und Random Forests. Der zweite Ansatz verwendet ein modifiziertes ResNet50 als Deep-Learning-Komponente. In den Experimenten werden 56 bis 88 Sätze von Magnetresonanz-Volumina und Tumor-Infiltrierende-Lymphozyten-Markern verwendet, um die Methoden zu trainieren und zu bewerten. In einer quantitativen Analyse werden die Korrelationen zwischen den Werten der Grundwahrheit der Tumor-Infiltrierende-Lymphozyten-Marker und den vorhergesagten Werten untersucht. Die qualitative Analyse bewertet die Stabilität der ausgewählten prädiktiven Merkmale und die Herkunft der am besten prädiktiven Merkmale. Die Ergebnisse zeigen, dass der Radiomics-Ansatz einige Tumor-Infiltrierende-Lymphozyten-Marker auf Grundlage der Magnetresonanz-Volumina vorhersagen kann, aber nicht alle. Die Auswahl der prädiktiven Merkmale ist stabil, während sich einige der prädiktiven Merkmale auf bestimmte Teile des Glioblastoms konzentrieren. Der Deep-Learning-Ansatz hingegen kann die Zielwerte für die Testdaten nicht vorhersagen.

Glioblastoma multiforme is the most lethal primary brain tumor type. Although immunotherapies are a treatment method for other cancer types, they are not available for glioblastoma. Research has revealed that the immune microenvironment plays a crucial role in successful immunotherapies. Tumor-Infiltrating Lymphocytes are an essential part of the microenvironment and are of high significance for immunotherapies.This thesis describes two approaches for predicting such Tumor-Infiltrating Lymphocytes from in vivo magnetic resonance imaging data. The methods used extract information from manually segmented Regions-of-Interest to build machine learning models that associate the features extracted from images with markers of the Tumor-Infiltrating Lymphocytes. To this end, the first approach utilizes radiomics features, elastic nets regression, and random forests. The second approach uses a modified ResNet50 as a deep learning component for prediction. The experiments use 56 to 88 sets of magnetic resonance volumes and Tumor-Infiltrating Lymphocytes markers to train and evaluate the methods. A quantitative analysis investigates the correlations between the ground truth values of the Tumor-Infiltrating Lymphocytes markers and the predicted values. The qualitative analysis evaluates the stability of the predictive features chosen and the origin of the most predictive features.Results show that the radiomics approach can predict some Tumor-Infiltrating Lymphocytes markers based on the magnetic resonance volumes, but not all of them. The choice of the predictive features is stable, while some of the predictive features' origins focus on particular parts of the glioblastoma. The deep learning approach cannot predict the target values for the test data in our experiments.