Contrastive Representation Learning on Synthetic Imaging Data for Classification of Alternative Lengthening of Telomeres

Abstract

Alternative Telomerverlängerung (ALT) ist ein Mechanismus zur Telomerverlängerung, der unabhängig von der Telomerase-Aktivierung die Verkürzung der Telomere im Zuge der Zellteilung verhindert. Das Vorhandensein von ALT ist ein wichtiger Faktor für die Risikoabschätzung in der Krebsdiagnostik, da sich Behandlungen zwischen den unterschiedlichen Risikogruppen stark unterscheiden. Telomere können mittels Fluoreszenzin-situ-Hybridisierung (FISH) in Kombination mit Immunfluoreszenzmikroskopie sichtbar gemacht werden. Bestehende ALT-Klassifikationsverfahren sind jedoch arbeitsintensiv, erfordern geschultes Fachpersonal und sind nicht auf Einzelzellebene anwendbar. Diese Arbeit beschäftigt sich mit der Klassifizierung des ALT-Status auf Einzelzellebene in Neuroblastomazellen. Es werden drei Ansätze untersucht: ein Nu-Support Vector Classifier (NuSVC) sowie zwei Deep-Learning-Modelle mit identischer ResNet-18- Architektur und einem zusätzlichen Multilayer-Perzeptron-Klassifikator. Während eines der Deep-Learning-Modelle ausschließlich mittels überwachtem Lernen trainiert wird, erfolgt das Training beim zweiten Modell in zwei Stufen: Zunächst wird der ResNet18 Kern des Modells durch kontrastives Lernen auf synthetisch generierten Bildern, welche echten FISH Bildern ähneln, vortrainiert. Anschließend wird überwachtes Lernen eingesetzt, um das Training der hinteren Schichten des ResNet-18 Kerns sowie des MLP-Klassifikators abzuschließen. Der mit kontrastivem Lernen vortrainierte Ansatz zeigt die beste Leistung in Bezug auf Testgenauigkeit und Generalisierbarkeit auf bisher ungesehenen Bilddaten (Out-ofDistribution Tests). Darüber hinaus extrahiert das Modell biologisch plausible Merkmale aus den Bildern und liefert sinnvolle Werte, um die Unsicherheit seiner Vorhersagungen besser abschätzen zu können. Dies macht das Modell zu einem vielversprechenden Ansatz für die Diagnostik von ALT in Neuroblastomazellen.

Date of Award	2025
Original language	English
Supervisor	Gerald Lirk (Supervisor), Simon Gutwein (Supervisor) & Sabine Taschner-Mandl (Supervisor)