Dokument: Klinische Integration der Vorhersage von IDH-Mutationen in Gliomen mit maschinellem Lernen basierend auf MRT-Bildgebung

Titel:	Klinische Integration der Vorhersage von IDH-Mutationen in Gliomen mit maschinellem Lernen basierend auf MRT-Bildgebung
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=73357
URN (NBN):	urn:nbn:de:hbz:061-20260601-110541-6
Kollektion:	Dissertationen
Sprache:	Deutsch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Lost, Jan Philipp [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 15,38 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 25.05.2026 / geändert 25.05.2026
Beitragende:	Prof. Dr. med Sabel, Michael [Gutachter] PD Dr. med Rubbert, Christian [Gutachter]
Dewey Dezimal-Klassifikation:	600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit
Beschreibungen:	Gliome, die häufigsten primären Hirntumoren des zentralen Nervensystems, stellen eine Herausforderung für Prognose und Behandlung dar. Sie treten in verschiedenen Entitäten auf, von denen das Glioblastom die häufigste und bösartigste mit schlechter Prognose und begrenzten Behandlungsmöglichkeiten darstellt. Die Diagnostik von Gliomen stützt sich zunehmend auf verschiedene molekulare Tumormarker, um ein individuelles Therapieschema und Prognose der Krankheit zu bestimmen. Von zentraler Bedeutung für die Diagnostik von Gliomen ist die Mutation der Isocitratdehydrogenase (IDH), nach der Gliome in verschiedene Klassen eingeteilt werden. Wie bei anderen molekularen Subtypen muss IDH traditionell durch Untersuchung einer Tumorprobe nach einer Biopsie bestimmt werden. Mehrere Studien weisen aber auf Probleme hin, die mit der ausschließlichen Verwendung der molekularpathologischen Techniken verbunden sind. Darunter fallen das Risiko von Komplikationen, hohe Kosten, potenzielle technische Hindernisse und eine mögliche Fehlklassifizierung durch lokale Tumorheterogenität.[1] Viele Arbeitsgruppen haben daher die Vorhersage des IDH-Status mit Hilfe von maschinellem Lernen untersucht und dabei gute Ergebnisse erzielen können, jedoch mit relativ kleinen Stichprobengrößen, ohne externe Validierung und ohne ihre Ergebnisse in die klinische Praxis umsetzen zu können.[2] Diese Forschungsarbeit soll nun den Nutzen der IDH-Vorhersage für die klinische Praxis bewerten und ein zuverlässiges Modell mit Daten aus einer einzelnen Einrichtung erstellen, ohne multizentrische Zusammenarbeit oder stark kurierte öffentliche Datenbank. In der retrospektiven Studie wurde ein Trainingsdatensatz mit 377 Patienten verwendet, die im Yale New Haven Health (YNHH) behandelt wurden, sowie 207 Fälle von US-Einrichtungen außerhalb des YNHH für die unabhängige Validierung. Es wurde eine 6-stufige Verarbeitungspipeline für ein maschinelles Lernmodell entwickelt, die die Bilderfassung, die halbautomatische Bildsegmentierung, die Extraktion quantitativer Bildmerkmale, die Modellerstellung einschließlich der Merkmalselektion sowie interne und externe Validierungstechniken für das Modelltraining und -bewertung umfasst. Das Modell zeigte hohe Präzision mit Fläche unter der Kurve = 0,835, Genauigkeit = 0,851, Sensitivität = 0,850 und Spezifität = 0,847 in der externen Validierung. Dass das Modell auf einem heterogenen Datensatz basiert und robuste und hohe Ergebnisse liefert, unterstreicht seinen potenziellen klinischen Nutzen.[1] Gliomas, the most prevalent primary brain tumor of the central nervous system poses challenges for prognosis and treatment. They occur in different types of classes, with glioblastoma being its most predominant subtype, with poor prognosis and limited treatment options. Glioma classification is more and more reliant on several molecular tumor markers to determine an individualized therapy scheme and prognosis of the disease. Isocitratedehydrogenase (IDH) mutation status is a disease defining molecular alteration and the predominant subtype in the most recent brain tumor classification of the world health organization. It is therefore pivotal for the diagnostic process in clinical care for patients with gliomas. Like other molecluar subtypes, IDH traditionally needs to be determined with molecular testing of a tumor portion, received by tumor biopsy before it can be assessed and integrated into the diagnostic process. Several studies indicate issues using solely molecularpathology for IDH status determination, including risk of complications, high costs, potential technical limitations and a risk of misclassification through spacial tumor heterogeneity.[1] While many research groups therefore evaluated IDH status and molcecular subtype, prediction using machine learning with high results often face high bias, use relatively small sample sizes, lack external validation and fail to convert their findings into clinical practice.[2] To determine possible clinical utility, this study aims to evaluate the enhancement of IDH prediction for clinical practice and to build a reliable model with accessible data from a single institution, without the need of multicenter collaborations and usage of highly curated public databases. The retrospective study utilizes a large single center dataset with 377 patients treated at Yale New Haven Health (YNHH) for model training and 207 cases from US facilites outside of YNHH for independent testing. A 6-step processing pipeline for an extreme gradient boosting model was established, including image acquisition, semi-automated imaging segmentation, radiomic feature extraction, model building including feature selection, as well as internal and external validation techniques for model training and evaluation.[1] As a result, our model demonstrated high performance metrics with area under the curve = 0.850, accuracy = 0.851, sensitivity = 0.850 and specificity = 0.847 in external validation. The model’s strong performance on a heterogeneous dataset demonstrates its potential for broad clinical applicability.[1]
Lizenz:	Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz
Fachbereich / Einrichtung:	Medizinische Fakultät
Dokument erstellt am:	01.06.2026
Dateien geändert am:	01.06.2026
Promotionsantrag am:	21.12.2025
Datum der Promotion:	21.05.2026