Deep phenotyping using machine learning approaches

Abstract

Deep learning has revolutionized the computational analysis of complex data ranging from human legible audio and visual information to other data sources. While deep learning methods generally require more input data, they have consistently outperformed other approaches in complex image recognition and natural language processing tasks, while demonstrating high generalizability to new tasks. We explore the potential of deep learn- ing based systems in the two diagnostic fields of human genetics syndromology and the diagnostics of malignant hematological disorders. Using the example of inborn metabolic disorders and B-cell lymphoma, we demonstrate that Artificial Intelligence (AI) systems can be trained to classify such data with high accuracy. In a cohort of inborn metabolic disorders, we were able to train a classifier with a mean accuracy of 62%. We analyze cohort size, sex and ethnic background as potential con- founders. We found increasing classification performance in all cohorts with increasing sample count. Our confounder analysis suggests that performance can be further in- creased in all classes with additional samples. We designed and implemented a classification pipeline for multiparameter flow cytometry data without the need for gating using self-organizing maps and convolutional neural networks. Using a cohort of 18 274 samples from routine B-cell lymphoma immunopheno- typing, we were able to overall achieve an weighted F1-score of 0.94 on a held-out test set of 2 348 samples. Subsequently, we apply our model to data sets with significant differ- ences in panel design. By utilizing transfer learning, we are able to increase performance of our classifier on these data sets and greatly increase the performance on very small data sets. Our results demonstrate the significant capabilities of these systems for increasing our understanding of the disease phenotype in medical diagnostics. They also highlight the challenges in the development of large deep learning models, especially the need for training data in rare subgroups. For this, large scale collaborative efforts in the scientific community are needed to further extend the capabilities of these systems, while allowing for equitable access.

Deep Learning hat die computergestützte Analyse komplexer Daten revolutioniert, die von menschlich lesbaren Audio- und visuellen Informationen bis hin zu anderen Datenquellen reichen. Obwohl Deep-Learning-Methoden in der Regel mehr Eingabedaten erfordern, haben sie bei komplexen Bilderkennungs- und Sprachverarbeitungsaufgaben durchweg besser abgeschnitten als andere Ansätze und gleichzeitig eine hohe Generalisierbarkeit für neue Aufgaben bewiesen. Wir untersuchen das Potenzial von auf Deep Learning ba- sierenden Systemen in den beiden diagnostischen Bereichen der humangenetischen Syn- dromologie und der Diagnostik von bösartigen hämatologischen Erkrankungen. Am Bei- spiel von angeborenen Stoffwechselstörungen und B-Zell-Lymphomen zeigen wir, dass AI-Systeme solche Daten mit hoher Genauigkeit klassifizieren können. In einer Kohorte von angeborenen Stoffwechselstörungen konnten wir einen Klassifika- tor mit einer mittleren Genauigkeit von 62% trainieren. Wir analysieren die Kohortengröße, das Geschlecht und den ethnischen Hintergrund als potenzielle Störfaktoren. Wir stellten fest, dass die Klassifizierungsleistung in allen Kohorten mit zunehmender Stichproben- zahl anstieg. Unsere Analyse der Störfaktoren deutet darauf hin, dass die Leistung in allen Klassen mit zusätzlichen Proben weiter gesteigert werden kann. Für Multiparameter-Durchflusszytometriedaten haben wir eine Klassifizierungspipeline entwickelt und implementiert, die ohne Gating auskommt und selbstorganisierende Karten und neuronale Faltungsnetzwerke verwendet. Unter Verwendung einer Kohorte von 18274 Proben aus der routinemäßigen Immunphänotypisierung von B-Zell-Lymphomen konnten wir einen gewichteten F1-Score von 0, 94 auf einem zurückgehaltenen Testsatz von 2348 Proben erzielen. Anschließend wanden wir unser Modell auf Datensätze mit signifikanten Unterschieden im Paneldesign an. Durch den Einsatz von Transfer-Lernen sind wir in der Lage, die Leistung unseres Klassifikators auf diesen Datensätzen zu erhöhen und die Leistung auf sehr kleinen Datensätzen stark zu steigern. Unsere Ergebnisse zeigen die bedeutenden Fähigkeiten dieser Systeme zur Verbesse- rung unseres Verständnisses des Krankheitsphänotyps in der medizinischen Diagnostik. Sie verdeutlichen auch die Herausforderungen bei der Entwicklung großer Deep-Learning- Modelle, insbesondere den Bedarf an Trainingsdaten in seltenen Untergruppen. Hierfür sind groß angelegte gemeinschaftliche Anstrengungen in der wissenschaftlichen Gemeinschaft erforderlich, um die Fähigkeiten dieser Systeme weiter auszubauen und gleichzeitig einen gleichberechtigten Zugang zu ermöglichen.