TY  - GEN
UR  - https://archiv.ub.uni-heidelberg.de/volltextserver/33134/
A1  - Schenk, Sarah Elena
N2  - Das Prostatakarzinom (PCa) ist weltweit die ha?ufigste maligne Tumorerkrankung und die zweitha?ufigste tumorbezogene Todesursache des Mannes. Die Diskrepanz zwischen hoher Inzidenz und Prävalenz und niedriger Mortalita?t begründet die Notwendigkeit, sicher zwischen klinisch signifikanten und indolenten PCa zu differenzieren. Bisherige Diagnosemethoden gewa?hrleisten nicht in ausreichendem Maße die pra?zise Charakterisierung. Durch die Anwendung von Radiomics zusammen mit künstlicher Intelligenz (KI), i.e. Machine Learning, an multiparametrischen MRT (mpMRT) sollen Prädiktionen zur klinischen Signifikanz von PCa möglich werden. 
Hierzu wurden die Schritte einer Radiomics- bzw. Machine Learning-Pipeline an mpMRT von 297 Patienten durchgeführt. Die Support Vector Machine (SVM) erbrachte bei der Klassifikation in ?benigne Läsion? oder ?PCa? eine AUC = 0,86. Es wurden zusätzlich ein zonaler Radiomics- und ein Deep Learning-Ansatz exploriert. Der zonale Ansatz erbrachte im Vergleich zum nicht-zonalen Ansatz schlechtere Ergebnisse (AUC = 0,75). Beim Deep Learning-Klassifikationssystem wurde ein Sequence-Model angewandt (AUC = 0,81, vs. PI-RADS: AUC = 0,77). Diese Studie zeigt, dass aus mpMRT prädiktive Radiomics Features abgeleitet werden können, und kann dazu beitragen, eine zuverlässige Radiomics-Signatur und einen Machine Learning- bzw. Deep Learning-Algorithmus zur Prädiktion signifikanter PCa für den klinischen Alltag zu entwickeln.
Y1  - 2023///
TI  - Entwicklung einer Radiomics-Signatur sowie eines Deep Learning Algorithmus für die Prädiktion von signifikanten Prostatakarzinomen
CY  - Heidelberg
AV  - public
ID  - heidok33134
ER  -