Utilizing deep learning to identify granuloma features associated with host responses to Mycobacterium tuberculosis
URL
Journal Title
Journal ISSN
Volume Title
Kemian tekniikan korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2023-06-13
Department
Major/Subject
Biotechnology
Mcode
CHEM3022
Degree programme
Master's Programme in Chemical, Biochemical and Materials Engineering
Language
en
Pages
56+6
Series
Abstract
Tuberculosis is a disease caused by Mycobacterium tuberculosis (M. tb). M. tb infection causes various immune responses, one of which is the formation of lung granulomas. A granuloma is an isolated area of infection, where different immune cells and cytokines can interact with the pathogen. The aim of this thesis is to find correlations between different granuloma features and host responses associated with M. tb infection. To achieve this, correlations in three scenarios are investigated: between the bacterial quantity expressed as colony-forming units (CFU) and the bacterial quantity enumerated by an artificial intelligence (AI) model, between granuloma image features and survival, and lastly between cell-level features and specific immune responses. An AI model was used to identify granuloma features from whole slide images of the lungs of M. tb-infected Diversity Outbred mice. The granuloma image features are necrosis, bacterial mat, cells, the bacterial quantity expressed as CFU, and the bacterial quantity enumerated by the AI model. The cells class is a segmented area that contains a predominance of immune cells, and bacterial mat is a segmented area with a dense bacterial overgrowth. The cell-level features are macrophages, lymphocytes, neutrophils, plasma cells, the bacterial quantity expressed as CFU, and the bacterial quantity enumerated by the AI model. In addition, previous research data collected from these mice was utilized which includes the concentrations of the following cytokines: tumor necrosis factor-alpha (TNF-α), chemokine ligand 1 (CXCL-1), and interferon-gamma (IFN-γ). All of the data was analyzed using R programming software. The following correlations were observed: The cells area correlates positively with survival, while necrosis, bacterial mat, and both bacterial quantities have negative correlations with survival in varying degrees. Both bacterial quantities correlate positively with each other as well as with TNF-α and CXCL-1. Macrophages, lymphocytes, and plasma cells all correlate negatively with TNF-α and CXCL-1. Neutrophils had virtually no correlations with any of the cytokines. None of the cell-level features correlate with IFN-γ.Tuberkuloosi on Mycobacterium tuberculosis (M. tb) aiheuttama tauti, joka aiheuttaa erilaisia muutoksia keuhkoissa, kuten granuloomien muodostumista. Granulooma on eristäytynyt infektion alue, jossa eri immuunisolut ja sytokiinit voivat olla vuorovaikutuksessa patogeenin kanssa. Tämän diplomityön tavoite on selvittää korrelaatioita erilaisten granuloomapiirteiden ja M. tb-infektion aiheuttamien isännän vasteiden välillä. Tavoitetta tukee kolme tutkimuskysymystä: korreloivatko bakteerilukumäärät CFU-yksikössä ilmaistuna ja tekoälymallin laskemana, korreloivatko granuloomapiirteet selviytymisajan kanssa sekä löytyykö korrelaatioita solutason piirteiden ja immuunivasteiden välillä. Tekoälymallia hyödynnettiin tunnistamaan granuloomapiirteitä M. tb infektoituneiden Diversity Outbred-hiirien keuhkoista otetuista kuvista. Granuloomapiirteitä ovat nekroosi, bakteerimatto, solut, bakteeri lukumäärä CFU-yksikössä ilmaistuna sekä tekoälymallin laskemana. Solut-luokka kuvastaa sellaisen alueen segmentaatiota, jossa vallitsee erinäiset immuunisolut, ja bakteerimatto kuvastaa aluetta, jossa on tiivis bakteerikertymä. Solutason piirteitä ovat makrofagit, lymfosyytit, neutrofiilit, plasmasolut sekä bakteerilukumäärä CFU-yksikössä ilmaistuna ja tekoälymallin laskemana. Tämän lisäksi hyödynnettiin aikaisempaa tutkimusdataa kyseisistä hiiristä, joka sisälsi tuumorinekroositekijä alfan (TNF-α), kemokiini CXCL-1 ja interferoni gamman (IFN-γ) konsentraatiot. Kaikki data käsiteltiin R ohjelmointikielen avulla. Hiirien selviytyminen korreloi positiivisesti solut luokan kanssa, ja negatiivisesti nekroosin, bakteerimaton sekä molempien bakteerilukumäärien kanssa. Molemmat bakteeri lukumäärät korreloivat positiivisesti toistensa kanssa sekä sytokiinien TNF-α ja CXCL-1 kanssa. Makrofagit, lymfosyytit sekä plasmasolut korreloivat negatiivisesti molempien TNF-α ja CXCL-1 kanssa. Neutrofiileillä ei ollut juurikaan korrelaatioita minkään sytokiinin kanssa. Mikään solutason piirre ei korreloi IFN-γ kanssa.Description
Supervisor
Frey, AlexanderThesis advisor
Beamer, GillianKeywords
image analysis, deep learning, tuberculosis, granuloma