- Titel
- Integrating Heterogeneous Data for Improved Cancer Prognostics: A Clinically-Aligned, Physics-Informed Machine Learning Approach
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:15-qucosa2-938350
- Datum der Einreichung
- 23.10.2023
- Datum der Verteidigung
- 12.08.2024
- Abstract (DE)
- Krebs ist eine durch unkontrolliertes und abnormales Zellwachstum gekennzeichnete Krankheit, die infolge von genetischen Mutationen entsteht, die reguläre zelluläre Aktivitäten beeinträchtigen und zur Bildung von Tumoren und Metastasen durch die sogenannte metastatische Kaskade führen können. Die Erforschung der genetischen Grundlage von Krebs und der Mechanismen der metastatischen Kaskade hat die Krebsforschung und -behandlung revolutioniert, was zur Intensivierung der Erforschung genetischer Daten in Krebsstudien führte. Trotz der genetischen Grundlage ist jedoch das Verständnis der Krebsprogression auf der makroskopischen Ebene entscheidend, wo die emergenten Eigenschaften über mehrere Skalen hinweg von Bedeutung sind. Diese Arbeit verbessert die Prognose von Brustkrebs, indem sie genetische und physische Informationen auf allen Skalen der metastatischen Kaskade integriert und maschinelles Lernen zur Datenintegration nutzt. Genexpressionsignaturen werden benutzt, anhand derer eine inhärente prognostische Grenze dargestellt wird, die bei einem Konkordanzindex von 0,8 liegt, was bedeutet, dass Prognosen für Patienten in höchstens 80% der Zeit korrekt unterschieden werden können. Darüber hinaus zeigt diese Arbeit, dass die ausschließliche Benutzung von Genexpressionsdaten für eine umfassende Prognose von Brustkrebs unzureichend ist. Diese Arbeit betont die Bedeutung traditioneller klinischer Variablen und führt zusätzliche Variablen ein, wie zum Beispiel das Konzept des 'Unjamming' und molekulare Variablen, die aus 14 immunhistochemischen Färbungen abgeleitet sind. Diese Variablen, zusammen mit räumlichen Strukturkorrelationen in 2D-histologischen Schnitten und Deskriptoren, die die extrazelluläre Matrix charakterisieren, tragen zu einer robusteren Prognose bei. In einer Analyse von 533 Probanden wurden in dieser Arbeit zwei unterschiedliche prognostische Signaturen entwickelt: eine physik-informierte Signatur und eine datengetriebene Signatur, deren Vorhersagekraft sich signifikant mit der sequenziellen Integration der oben genannten komplementären Faktoren erhöhte, wobei die Konkordanzindizes von 0,56 auf 0,67 bzw. von 0,54 auf 0,79 stiegen. Die Integration dieser Faktoren bringt die prognostischen Signaturen näher an die geschätzte Konkordanzindex-Grenze von 0,8 und zeigt die Entwicklungsmöglichkeiten einer robusten und leistungsstarken prognostischen Signatur.
- Freie Schlagwörter (EN)
- physics, biophysics, cancer reasearch, physics of cancer, breast cancer
- Klassifikation (DDC)
- 530
- Den akademischen Grad verleihende / prüfende Institution
- Universität Leipzig, Leipzig
- Version / Begutachtungsstatus
- publizierte Version / Verlagsversion
- URN Qucosa
- urn:nbn:de:bsz:15-qucosa2-938350
- Veröffentlichungsdatum Qucosa
- 24.09.2024
- Dokumenttyp
- Dissertation
- Sprache des Dokumentes
- Englisch
- Deutsch
- Lizenz / Rechtehinweis
CC BY-NC 4.0