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.
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:93835 |
| Date | 24 September 2024 |
| Creators | Tschodu, Dimitrij |
| Contributors | Universität Leipzig |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | English, German |
| Detected Language | German |
| Type | info:eu-repo/semantics/publishedVersion, doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0019 seconds