Bibliographic Metadata

Title
Explorative analysis of retrospective data of 80 patients at the Department of Nuclear Medicine at the Medical University of Vienna: Predicting two year survival in esophageal cancer using Supervised Machine Learning / eingereicht von Katharina Monschein
Additional Titles
Explorative Analyse retrospektiver Daten von 80 Patienten an der klinischen Abteilung für Nuklearmedizin an der Medizinischen Universität Wien: Voraussagen der zwei- Jahres Überlebensrate bei Ösophaguskarzinom mithilfe von Supervised Machine Learning
AuthorMonschein, Katharina
Thesis advisorKaranikas, Georgios
Published2018
Description68 Seiten : Illustrationen
Institutional NoteMedizinische Universität Wien, Diplomarb., 2018
Annotation
Abweichender Titel laut Übersetzung der Verfasserin/des Verfassers
Date of SubmissionAugust 2018
LanguageEnglish
Document typeThesis (Diplom)
Keywords (DE)Supervised Machine Learning / predictive model / Ösophaguskarzinom / [18F]FDG PET/CT
Keywords (EN)supervised machine learning / predictive model / esophageal cancer / [18F]FDG PET/CT
Restriction-Information
 The Document is only available locally
Links
Reference
Classification
Abstract (German)

Hintergrund: Mit 450 000 betroffenen Menschen ist das Ösophaguskarzinom einer der schwerwiegendsten Malignitäten weltweit. Eine schlechte Prognose und steigende Inzidenz machen eine Verbesserung der Detektion und Behandlung notwendig. Das Wissen über die Tumorwachstumsdynamik stellt einen wichtigen Schritt in der Bewältigung des Ösophaguskarzinoms dar. [18F]FDG PET/CT nimmt eine bedeutende Stellung im Staging und der Therapie-Kontrolle des Ösophaguskarzinoms ein. Nach wie vor fehlt es jedoch an Techniken zur Voraussagen der Progression und des Gesamtüberlebens. Ziel der Studie: In dieser Studie wurden [18F]FDG PET/CT Scans in Kombination mit Patientendaten analysiert und darauffolgend mittels Machine Learning prädiktive Modelle geschaffen, um die 30 Monats-Überlebensvorhersage und progressionsfreie Überleben bei Ösophaguskarzinom vorauszusagen. Material und Methodik: 80 Patienten mit diagnostiziertem Ösophaguskarzinom erhielten einen [18F]FDG PET/CT Scan zwischen November 2008 und Juli 2013. Patienten, welche vor dem [18F]FDG PET/CT Scan behandelt wurden, wurden ausgeschlossen. 52 Patienten erfüllten die Kriterien. Das Ösophaguskarzinom wurde im [18F]FDG PET/CT Scan detektiert und mittels HERMES Hybrid 3D Software semi- automatisch deliniiert. Alle verfügbaren Patientendaten und Laborparameter wurden eingeschlossen. Supervised Machine Learning Ansätze wurden verwendet um relevante Parameter für die 30 Monats-Überlebensvorhersage und progressionsfreie Überleben zu identifizieren. Resultate: Die wichtigsten Merkmale für die 30 Monats-Überlebensvorhersage waren CT-Histogram Skewness, CT-Inverse difference moment (GLCM), PET+CT-Fusion Correlation, PET-Shape Compactness, CT-Information correlation (GLCM). Die Monte Carlo (MC)-Crossvalidierung zeigte eine Sensitivität von 50%, Spezifität von 55%, Area Under Curve (AUC) von 0,52. Die wichtigsten Merkmale zur Prädiktion der progressionsfreien Überlebensvorhersage waren klinsch: Fernmetastasen, PET-Histogram Energy, PET- Histogram Energy, Patient-Clinical Surgery, CT-Zone size non-uniformity (GLZSM). Die MC- Crossvalidierung zeigte eine Sensitivität von 94%, Spezifität von 69% und eine AUC von 0,81. Conclusio: Diese Daten suggerieren, dass prädiktive Modelle bei Ösophaguskarzinom unter Verwendung von Supervised Machine Learning mittels [18F]FDG PET/CT Scans und klinischer Daten der Patient geschaffen werden können.

Abstract (English)

Background: With 450 000 affected people esophageal cancer is one of the most fatal malignancies worldwide. A poor prognosis and a rising incidence makes improvement of detection and treatment necessary. Knowledge on tumor growth dynamics plays an important part in taking care of esophageal cancer. [18F]FDG PET/CT has become important in tumor staging and therapy monitoring in recent years. Still there is a need for better prediction of progression and overall survival. Aim of the study: In this study, [18F]FDG PET/CT scans were analyzed in combination with patients data using a machine learning driven predictive model to predict 30-months survival and progression free survival in esophageal cancer. Materials and Methods: 80 patients diagnosed with esophageal cancer receivend a [18F]FDG PET/CT scan between November 2008 and July 2013. Patients treated prior to the [18F]FDG PET/CT scan were excluded. 52 patients met the criteria. Esophageal cancer was delineated semi-automatically with HERMES Hybrid 3D software. All available patients data and laboratory parameters were included. Supervised machine learning approaches were used to identify relevant features for 30-month survival and progression free survival prediction. Results: The most prominent weighted features for predicting 30 months survival were CT- Histogram Skewness, CT-Inverse difference moment (GLCM), PET+CT-Fusion Correlation, PET-Shape Compactness, CT-Information correlation (GLCM). The Monte Carlo (MC) cross- validation in 30-months survival showed a sensitivity of 50%, specifity of 55% and area under curve (AUC) of 0,52. The most prominent weighted features for predicting progression free survival were Patient-Clinical Distant Metastasis, PET-Histogram Energy, PET-Histogram Energy, Patient-Clinical Surgery, CT-Zone size non-uniformity (GLZSM). MC cross- validation in progression free survival showed a sensitivity of 94%, specifity of 69% and AUC of 0,81. Conclusions: This data suggests that prediction models can be established in esophageal cancer by supervised machine learning on [18F]FDG PET/CT scans and using patients clinical data.

Stats
The PDF-Document has been downloaded 0 times.