Die Dissertation hat sich mit der Aufgabe befasst, durch Kombination von IR-Spektroskopie und chemometrischen Auswertungsalgorithmen eine Differenzierung und Klassifizierung von Hirnmetastasen-Dünnschnitten zu erreichen. Die Untersuchungen konzentrieren sich dabei auf jene fünf Primärtumoren, die besonders oft Metastasen im Gehirn bilden. Das sind kolorektale Karzinome, Mammakarzinome, maligne Melanome, Nierenzellkarzinome und Bronchialkarzinome. Metastasen tragen die molekularen Informationen der Gewebezellen des Primärtumors in sich. Die Anwendung von IR-spektroskopischen Methoden stellt deshalb einen innovativen Ansatz zur Identifikation des Primärtumors von Hirnmetastasen dar, da die Spektren einem molekularen Fingerabdruck entsprechen. Als Klassifizierungsalgorithmen wurden SIMCA (soft independent modeling of class analogies) und ANN (artificial neural networks) herangezogen. Die Entwicklung der Klassifizierungsverfahren gliederte sich in drei Teile. Im ersten Teil wurden Trainingsmodelle mit den ausgewählten homogenen Bereichen der Metastasengewebeschnitte erstellt und an unabhängigen Daten weiterer Proben bekannter und unbekannter Organherkunft getestet. Im zweiten Teil wurden die Modelle mit Hilfe homogener Tumorzelllinien optimiert und auf die Zuordnung der Hirnmetastasen zu den Primärtumoren angewandt. Eine zweistufige Klassifizierungsstrategie gewährleistet damit eine Genauigkeit der Klassifizierung von über 80%.

Die Dissertation hat sich mit der Aufgabe befasst, durch Kombination von IR-Spektroskopie und chemometrischen Auswertungsalgorithmen eine Differenzierung und Klassifizierung von Hirnmetastasen-Dünnschnitten zu erreichen. Die Untersuchungen konzentrieren sich dabei auf jene fünf Primärtumoren, die besonders oft Metastasen im Gehirn bilden. Das sind kolorektale Karzinome, Mammakarzinome, maligne Melanome, Nierenzellkarzinome und Bronchialkarzinome. Metastasen tragen die molekularen Informationen der Gewebezellen des Primärtumors in sich. Die Anwendung von IR-spektroskopischen Methoden stellt deshalb einen innovativen Ansatz zur Identifikation des Primärtumors von Hirnmetastasen dar, da die Spektren einem molekularen Fingerabdruck entsprechen. Als Klassifizierungsalgorithmen wurden SIMCA (soft independent modeling of class analogies) und ANN (artificial neural networks) herangezogen. Die Entwicklung der Klassifizierungsverfahren gliederte sich in drei Teile. Im ersten Teil wurden Trainingsmodelle mit den ausgewählten homogenen Bereichen der Metastasengewebeschnitte erstellt und an unabhängigen Daten weiterer Proben bekannter und unbekannter Organherkunft getestet. Im zweiten Teil wurden die Modelle mit Hilfe homogener Tumorzelllinien optimiert und auf die Zuordnung der Hirnmetastasen zu den Primärtumoren angewandt. Eine zweistufige Klassifizierungsstrategie gewährleistet damit eine Genauigkeit der Klassifizierung von über 80%.