Vorhersage des PD-L1-Status von pulmonalen Adenokarzinomen anhand präoperativer CT-Bildgebung und KI-Verfahren

Kewitsch, Rebekka Maria

dc.contributor.advisor	Uhlig, Johannes PD Dr.
dc.contributor.author	Kewitsch, Rebekka Maria
dc.date.accessioned	2024-11-12T16:35:40Z
dc.date.available	2025-01-15T00:50:10Z
dc.date.issued	2024-11-12
dc.identifier.uri	http://resolver.sub.uni-goettingen.de/purl?ediss-11858/15599
dc.identifier.uri	http://dx.doi.org/10.53846/goediss-10849
dc.description.sponsorship	Siemens Healthineers Deutschland	de
dc.format.extent	63	de
dc.language.iso	deu	de
dc.rights.uri	http://creativecommons.org/licenses/by/4.0/
dc.subject.ddc	610	de
dc.title	Vorhersage des PD-L1-Status von pulmonalen Adenokarzinomen anhand präoperativer CT-Bildgebung und KI-Verfahren	de
dc.type	doctoralThesis	de
dc.title.translated	Prediction of PD-L1 status of pulmonalry adenocarcinomas using preoperative CT imaging and AI procedures	de
dc.contributor.referee	Uhlig, Johannes PD Dr.
dc.date.examination	2024-12-18	de
dc.description.abstractger	Lungenkarzinome und hierunter insbesondere das Adenokarzinom als häufigster histologischer Subtyp sind eine der häufigsten Krebserkrankungen und weisen eine steigende Inzidenz und hohe Mortalität auf. Fortschritte in der NSCLC-Therapie wurden in den letzten Jahren durch die Einführung sogenannter Immuncheckpoint-Inhibitoren als zielgerichtete Tumortherapie erreicht. Für pulmonale Adenokarzinome sind hierunter insbesondere PD-L1-Inhibitoren therapeutisch relevant, deren Einsatz allerdings von der tumoralen PD-L1-Expression, angegeben als TPS, abhängig ist. Diese lässt sich derzeit nur durch immunhistochemische Untersuchungen an bioptisch oder chirurgisch gewonnenem Tumormaterial ermitteln. Die CT gehört zur Standarddiagnostik bei Lungenkarzinomen. Daher wurden in dieser Arbeit untersucht, inwieweit die PD-L1-Expression bereits durch prätherapeutische CT-Aufnahmen und ein KI-Modell klassifiziert werden kann. Retrospektiv wurden radiomische Daten aus 373 CT-Bildgebungen von 273 Patienten mit Adenokarzinom und histologisch ermitteltem PD-L1-Status mittels PyRadiomics extrahiert. Durch einen LightGBM-Machine-Learning-Algorithmus wurden die extrahierten morphologischen Aspekte mit den pathologisch ermittelten PD-L1-Expressionen korreliert. Das ML-Modell wurde mittels 10-facher Kreuzvalidierung für die Klassifikation TPS < 1 % und ≥ 1% bzw. TPS < 50 % und ≥50% trainiert und kontrolliert. Anhand der AUC der ROC wurde die diagnostische Leistungsfähigkeit des Modells bewertet. Das ML-Modell erreichte für die Klassifizierung in TPS < 1 % und ≥ 1 % AUC-Werte von 0,66 ± 0,06 für den Validierungsdatensatz und 0,58 ± 0,09 für den Testdatensatz. Die AUC-Werte lagen bei 0,73 ± 0,14 für den Validierungs- und 0,72 ± 0,16 für den Testdatensatz bei der Einteilung der Lungentumore in einen TPS < 50 % oder ≥ 50 %. Aus den Ergebnissen lässt sich schließen, dass in der CT-Bildgebung pulmonaler Adenokarzinome bildmorphologische Muster erkennbar sind, die mit der Expression von PD-L1 korrelieren. Das implementierte ML-Modell zeigt allerdings nur eine moderate diagnostische Genauigkeit für die Prädiktion der PD-L1-Expression und sollte in zukünftigen Studien weiter optimiert werden.	de
dc.description.abstracteng	Lung cancer, particularly adenocarcinoma as the most common histological subtype, are one of the most frequent cancer diseases and show increasing incidence and high mortality. In recent years progress has been achieved in NSCLC therapy through the introduction of immune checkpoint inhibitors as targeted tumor therapy. Especially PD-L1 inhibitors are therapeutically relevant for pulmonary adenocarcinomas. However, their use depends on tumoral PD-L1 expression, which is specified as TPS. Currently the expression can only be determined by immunohistochemical examination of tumor material obtained by biopsy or surgery. Computertomography is part of the standard diagnostics for lung cancer. Therefore, this study investigated to what extent PD-L1 expression can be classified by pre-therapeutic CT scans and and an AI model. In this retrospective study radiomic features were extracted from 373 CT images of 273 patients with adenocarcinoma and histologically determined PD-L1 status using PyRadiomics. Using a LightGBM Machine Learning algorithm the extracted morphological aspects were correlated with the pathologically determined PD-L1 expressions. For the classification of TPS < 1% or ≥ 1% and TPS < 50% or ≥50% the Machine Learning model was trained and controlled using 10-fold cross-validation. The diagnostic performance of the model was evaluated by measuring the Area Under Curve (AUC) of the Receiver Operating Characteristic (ROC). For the classification of TPS < 1% or ≥ 1% the ML model yielded AUC scores of 0.66 ± 0.06 for the validation dataset and 0.58 ± 0.09 for the test dataset. The AUC scores were 0.73 ± 0.14 for the validation and 0.72 ± 0.16 for the test dataset when classifying lung tumors into TPS < 50% or ≥ 50%. The results suggest that certain image morphological patterns are recognizable in CT imaging of pulmonary adenocarcinomas which correlate with PD-L1 expression. However, the implemented ML model shows only moderate diagnostic accuracy for predicting PD-L1 expression and should be further optimized in future studies.	de
dc.contributor.coReferee	Rittmeyer, Achim PD Dr.
dc.subject.ger	Computertomografie	de
dc.subject.ger	Adenokarzinom	de
dc.subject.ger	Lungenkarzinom	de
dc.subject.ger	PD-L1	de
dc.subject.ger	Künstliche Intelligenz	de
dc.subject.ger	Maschinelles Lernen	de
dc.subject.eng	lung cancer	de
dc.subject.eng	CT imaging	de
dc.subject.eng	PD-L1	de
dc.subject.eng	artificial intelligence	de
dc.subject.eng	adenocarcinoma	de
dc.subject.eng	Machine Learning	de
dc.identifier.urn	urn:nbn:de:gbv:7-ediss-15599-7
dc.affiliation.institute	Medizinische Fakultät	de
dc.subject.gokfull	Bildgebende Verfahren {Medizin} (PPN619875607)	de
dc.subject.gokfull	Diagnostik {Medizin} (PPN619875739)	de
dc.subject.gokfull	Onkologie (PPN619875895)	de
dc.description.embargoed	2025-01-15	de
dc.identifier.ppn	1908360836
dc.notes.confirmationsent	Confirmation sent 2024-11-12T19:45:01	de

Files in this item

Name:Kewitsch_Rebekka_Dissertation_ohne_CV.pdf

Size:1.233Mb

Format:PDF

View/Open

Name:: Kewitsch_Rebekka_Dissertation_ ...
Size:: 1.233Mb
Format:: PDF

View/Open

This item appears in the following Collection(s)

Human- und Zahnmedizin [3202]

Show simple item record