P5-Arbeit zu Prolaktinomen: Erforschung von tabularen und MRI Bild Daten, gemischte Ergebnisse, Qualitätsverbesserungen nötig.
Python, Azure Machine Learning, Deep Learning, Computer Vision, Hirntumore
Die Zielsetzung war es, die Möglichkeiten des Maschinenlernens und des Deep Learning für die Früherkennung von Prolaktinomen zu erforschen. Unter Verwendung von Daten, die MRT-Bilder und Laborergebnisse von rund 500 Patienten umfassen, strebte das Projekt danach, Prolaktinome, die üblicherweise medikamentös behandelt werden, von anderen Arten von Adenomen zu unterscheiden, die einen chirurgischen Eingriff erfordern.
Aktuell erfolgt die Erkennung von Hypophysentumoren primär durch eine MRT-Untersuchung. Anschliessend werden zur genaueren Bestimmung der Tumorart spezifische Laborwerte analysiert.
Die Studie an der FHNW erbrachte gemischte Ergebnisse in der Früherkennung von Prolaktinomen. Während Modelle basierend auf Tabellendaten, insbesondere XGBoost und Random Forest, nahe an die gewünschte Sensitivität und Spezifität waren, erfüllten die Modelle, die sich auf MRT-Daten stützten, diese Benchmarks gar nicht. Es wurde eine Diskrepanz zwischen den vom Modell als wichtig erachteten Merkmalen und denen, die traditionell in der medizinischen Diagnostik verwendet werden, festgestellt. Die Studie betonte die Notwendigkeit, die Qualität der verwendeten Daten zu verbessern und unterstrich das Potenzial der Integration von maschinellem Lernen in die medizinische Diagnostik zur Verbesserung der Früherkennung und Behandlung von Krankheiten.
11.09.2023 bis 19.01.2024, 180 Stunden pro Person, 2 Personen
Dr. med. Tristan Struja, Dr. med. Felice Burn, (Kantonsspital Aarau), https://www.ksa.ch/
Jan Zwicky, Thomas Mandelz
Prof. Dr. Daniel Perruchoud (daniel.perruchoud@fhnw.ch), Prof. Dr. Susanne Sutter (susanne.suter@fhnw.ch)
