PiDeeL: metabolic pathway-informed deep learning model for survival analysis and pathological classification of gliomas
PiDeeL: gliomalarin sağkalim analizi ve patolojik siniflandirmasi için metabolik yolak bilgili derin öğrenme modeli
- Tez No: 878273
- Danışmanlar: DOÇ. DR. ABDULLAH ERCÜMENT ÇİÇEK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Patoloji, Tıbbi Biyoloji, Computer Engineering and Computer Science and Control, Pathology, Medical Biology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 73
Özet
Cerrahi operasyon sırasında tümör özelliklerinin anlık olarak değerlendirilmesi önemlidir ve cerraha işlem sırasında geri bildirim mekanizması kurma potansiyeline sahiptir. Bu tür geri bildirimlerin mevcut olması durumunda, cerrahlar tümörün rezeksiyonu konusunda daha esnek veya daha sıkı olmaya karar verebilirler. Metabolomik tabanlı tümör patolojisi tahmini yapmak için yöntemler olsa da, model karmaşıklığı ve tahmin performansı küçük veri seti boyutlarıyla sınırlıdır. Ayrıca tümör dokusuna sağlanan geri bildirimlerin aktardığı bilgiler hem içerik hem de doğruluk açısından geliştirilebilir. Bu çalışmada, metabolit konsantrasyonlarına dayalı olarak hayatta kalma analizi ve patoloji değerlendirmesi gerçekleştirmek için metabolik yolak bilgili bir derin öğrenme modeli (PiDeeL) öneriyoruz. Yolak bilgisinin model mimarisine dahil edilmesinin parametre karmaşıklığını önemli ölçüde azalttığını ve daha iyi hayatta kalma analizi ve patolojik sınıflandırma performansı sağladığını gösteriyoruz. Bu tasarım kararlarıyla, PiDeeL'in, AUROC açısından tümör patolojisi tahmin performansını %3,38 ve AUPR açısından %4,06 oranında geliştirdiğini gösteriyoruz. Benzer şekilde, zamana bağlı uyumluluk indeksi (c-endeksi) açısından PiDeeL'in, en son teknolojiyle karşılaştırıldığında daha iyi sağkalım analizi performansı (%4,3 oranında iyileşme) elde ettiğini gösteriyoruz. Ayrıca, PiDeeL'in yolaklara özgü nöronlarının yanı sıra girdi metabolit özellikleri üzerinde gerçekleştirilen önem analizlerinin tümör metabolizmasına ilişkin bilgiler sağladığını da gösteriyoruz. Bu modelin ameliyathanede kullanılmasının, cerrahların ameliyat planını anında ayarlamalarına yardımcı olacağını ve o anki cerrahi prosedürlere uygun daha iyi prognoz tahminleri elde edilmesini sağlayacağını öngörüyoruz.
Özet (Çeviri)
The real-time assessment of tumor characteristics during surgery is crucial, offering the potential to create a feedback mechanism for surgeons. Such feedback enables surgeons to make more informed decisions regarding the extent of tumor resection and whether to adopt a more aggressive or conservative approach. Although metabolomics-based tumor pathology prediction methods exist, their predictive performance is often constrained by the limited size of available datasets. Additionally, the feedback about the tumor tissue could be enhanced in terms of content and accuracy. This thesis introduces PiDeeL, a metabolic pathway-informed deep learning model designed to perform survival analysis and pathology assessment based on metabolite concentrations. We demonstrate that integrating pathway information into the model architecture significantly reduces parameter complexity while enhancing survival analysis and pathological classification performance. Our results indicate that PiDeeL improves tumor pathology prediction performance over state-of-the-art methods, achieving a 3.38% improvement in the Area Under the ROC Curve and a 4.06% improvement in the Area Under the Precision-Recall Curve. Similarly, regarding the time-dependent concordance index (c-index), PiDeeL exhibits superior survival analysis performance, with a 4.3% improvement compared to current leading methods. Furthermore, importance analyses conducted on input metabolite features and pathway-specific neurons of PiDeeL provide valuable insights into tumor metabolism. Applying this model in the surgical setting will assist surgeons in dynamically adjusting their surgical plans, ultimately leading to more accurate prognosis estimates tailored to the specifics of the surgical procedure.