Tracing the hidden signature: Deep Learning-based detection of leukemia through chromatin architecture in confocal and super-resolution DNA imaging

Abstract

Aquesta tesi presenta un enfocament basat en aprenentatge profund per a la detecció de leucèmia utilitzant l’organització de la cromatina en imatges confocals i de superresolució d’ADN. Vam optimitzar el model AINU (AI of the NUcleus) per classificar cèl·lules leucèmiques, preleucèmiques i sanes en mostres tant murines com humanes, sense dependre de marcadors moleculars específics de la malaltia. L’AINU va assolir una alta precisió en la classificació i va demostrar una sòlida capacitat de generalització a pacients i imatges no vistes, fet que indica robustesa davant de variacions tècniques. La compactació de la cromatina, especialment a la perifèria del nucli, va sorgir com una característica constant que distingeix l’estat de la malaltia. Les anàlisis d’explicabilitat, incloses Grad-CAM i Deep Feature Factorization, van revelar que els canvis en la densitat i l’entropia de l’ADN són claus en les decisions del model. És important destacar que incloure en el model condicions menys severes com la síndrome mielodisplàstica (MDS) com a classe separada va millorar la classificació i va permetre detectar la progressió de la malaltia. Aquests resultats destaquen el potencial d’integrar l’aprenentatge profund amb la imatge de cromatina per desenvolupar eines diagnòstiques escalables i independents de marcadors per a malignitats hematològiques.

Esta tesis presenta un enfoque basado en aprendizaje profundo para la detección de leucemia utilizando la organización de la cromatina en imágenes confocales y de super-resolución de ADN. Optimizamos el modelo AINU (AI of the NUcleus) para clasificar células leucémicas, pre-leucémicas y sanas en muestras tanto murinas como humanas, sin depender de marcadores moleculares específicos de la enfermedad. AINU logró una alta precisión en la clasificación y demostró una sólida capacidad de generalización a pacientes e imágenes no vistas, lo que indica robustez frente a variaciones técnicas. La compactación de la cromatina, especialmente en la periferia del nucleo, surgió como una característica constante que distingue el estado de la enfermedad. Los análisis de explicabilidad, incluidos Grad-CAM y Deep Feature Factorization, revelaron que los cambios en la densidad y entropía del ADN son claves en las decisiones del modelo. Es importante destacar que incluir en el modelo condiciones menos severas como el síndrome mielodisplásico (MDS) como una clase separada mejoró la clasificación y permitió detectar la progresión de la enfermedad. Estos resultados destacan el potencial de integrar el aprendizaje profundo con la imagen de cromatina para desarrollar herramientas diagnósticas escalables e independientes de marcadores para malignidades hematológicas.

This thesis presents a deep learning-based approach for leukemia detection using chromatin organization from DNA-stained confocal and super-resolution images. We optimized the AINU (AI of the NUcleus) model to classify leukemic, pre-leukemic, and healthy cells in both murine and human samples, without relying on disease-specific molecular markers. AINU achieved high classification accuracy and demonstrated strong classification capability to unseen patients and imaging modalities, indicating robustness to technical variation. Chromatin compaction, particularly at the nuclear periphery, emerged as a consistent feature characterizing disease state. Explainability analyses, including Grad-CAM and Deep Feature Factorization, revealed that changes in DNA density and entropy are key for model decisions. Importantly, treating less severe conditions like Myelodysplastic Neoplasm as a separate class improved classification and enabled detection of disease progression. These results highlight the potential of integrating deep learning with chromatin imaging to develop scalable, marker-independent diagnostic tools for hematological malignancies.