Nicht-invasive Subtypisierung des Pankreaskarzinoms mittels Algorithmen des maschinellen Lernens
Translated title:
Non-invasive subtyping of pancreatic cancer using machine learning algorithms
Author:
Ziegelmayer, Sebastian
Year:
2021
Document type:
Dissertation
Faculty/School:
Fakultät für Medizin
Advisor:
Braren, Rickmer (Priv.-Doz. Dr.)
Referee:
Braren, Rickmer (Priv.-Doz. Dr.); Hayden, Oliver (Prof. Dr.)
Language:
de
Subject group:
MED Medizin
TUM classification:
MED 540d
Abstract:
In der vorliegenden Arbeit wurden Algorithmen des maschinellen Lernens entwickelt, die eine nicht-invasive, modalitätsübergreifende Vorhersage molekularer Subtypen des Pankreaskarzinoms aus präoperativen Bildgebungsdaten erlauben. Die Relevanz der molekularen Subtypen ist in ihrer klinischen sowie prognostischen Bedeutung begründet. Die verwendeten Algorithmen ermöglichen eine prätherapeutische Patientenstratifikation in definierte Risikogruppen mit unterschiedlichem progressionsfreien- und Gesamtüberleben sowie unterschiedlichem Ansprechen gegenüber den in der klinischen Routine zum Einsatz kommenden Standardchemotherapeutika.
«
In der vorliegenden Arbeit wurden Algorithmen des maschinellen Lernens entwickelt, die eine nicht-invasive, modalitätsübergreifende Vorhersage molekularer Subtypen des Pankreaskarzinoms aus präoperativen Bildgebungsdaten erlauben. Die Relevanz der molekularen Subtypen ist in ihrer klinischen sowie prognostischen Bedeutung begründet. Die verwendeten Algorithmen ermöglichen eine prätherapeutische Patientenstratifikation in definierte Risikogruppen mit unterschiedlichem progressionsfreien- und Gesa...
»
Translated abstract:
In the present work, machine learning algorithms were developed that allow a non-invasive, cross-modality prediction of molecular subtypes in pancreatic cancer from preoperative imaging data. The relevance of these molecular subtypes is based on their clinical and prognostic importance. The use of these algorithms enables a pretherapeutic patient stratification into defined risk groups with different progression-free and overall survival as well as different response to standard chemotherapeutic agents used in clinical routine.
«
In the present work, machine learning algorithms were developed that allow a non-invasive, cross-modality prediction of molecular subtypes in pancreatic cancer from preoperative imaging data. The relevance of these molecular subtypes is based on their clinical and prognostic importance. The use of these algorithms enables a pretherapeutic patient stratification into defined risk groups with different progression-free and overall survival as well as different response to standard chemotherapeutic...
»