Musculoskeletal tumors are rare and diverse entities, presenting challenges for clinicians in early detection and precise classification. This dissertation develops machine learning algorithms using retrospective clinical and imaging data (1962-2021) to improve diagnosis. Among others, an X-ray sorting algorithm (96.6% accuracy) and a multimodal tumour classification model (92.86% accuracy) were developed. The models surpass state-of-the-art models in performance, robustness and explainability. These innovations enhance diagnostic precision and promise better patient care in the diagnosis of musculoskeletal tumors.     «

Musculoskeletal tumors are rare and diverse entities, presenting challenges for clinicians in early detection and precise classification. This dissertation develops machine learning algorithms using retrospective clinical and imaging data (1962-2021) to improve diagnosis. Among others, an X-ray sorting algorithm (96.6% accuracy) and a multimodal tumour classification model (92.86% accuracy) were developed. The models surpass state-of-the-art models in performance, robustness and explainability....     »

Muskuloskelettale Tumoren sind seltene und vielfältige Entitäten, die für Kliniker Herausforderungen bei der Früherkennung und präzisen Klassifizierung darstellen. Diese Dissertation entwickelt mithilfe retrospektiver klinischer und bildgebender Daten (1962-2021) maschinelles Lernen, um die Diagnose zu verbessern. Unter anderem wurden ein Röntgensortieralgorithmus (96,6% Genauigkeit) und ein multimodales Tumor-Klassifikationsmodell (92,86% Genauigkeit) entwickelt. Die Modelle übertreffen in Leistung, Robustheit und Erklärbarkeit aktuelle Modelle. Diese Innovationen verbessern die diagnostische Präzision und versprechen eine bessere Patientenversorgung bei der Diagnose von muskuloskelettale Tumoren.     «

Muskuloskelettale Tumoren sind seltene und vielfältige Entitäten, die für Kliniker Herausforderungen bei der Früherkennung und präzisen Klassifizierung darstellen. Diese Dissertation entwickelt mithilfe retrospektiver klinischer und bildgebender Daten (1962-2021) maschinelles Lernen, um die Diagnose zu verbessern. Unter anderem wurden ein Röntgensortieralgorithmus (96,6% Genauigkeit) und ein multimodales Tumor-Klassifikationsmodell (92,86% Genauigkeit) entwickelt. Die Modelle übertreffen in Leis...     »