Jetzt teilnehmen

Bitte loggen Sie sich ein, um Ihre Teilnahme an diesem Webinar zu bestätigen. Sie sind dann vorgemerkt und werden, falls das Webinar innerhalb der nächsten 10 Minuten beginnt, sofort weitergeleitet.

Findet das Webinar zu einem späteren Zeitpunkt statt, kommen Sie kurz vor Beginn des Webinars erneut, um am Webinar teilzunehmen.

Einfach buchen

Buchen Sie jetzt RÖKO DIGITAL des 105. Deutscher Röntgenkongress und 10. Gemeinsamer Kongress von DRG und ÖRG und verpassen Sie keines unserer lehrreichen und informativen Webinare zu verschiedenen Themen der Radiologie.

  • Wissenschaft & Fortbildung
  • CME-Punkte
  • Themenvielfalt
  • Dialog & Interaktion

Jetzt teilnehmen

Bitte loggen Sie sich ein, um Ihre Teilnahme an diesem Webinar zu bestätigen. Sie sind dann vorgemerkt und werden, falls das Webinar innerhalb der nächsten 10 Minuten beginnt, sofort weitergeleitet.

Findet das Webinar zu einem späteren Zeitpunkt statt, kommen Sie kurz vor Beginn des Webinars erneut, um am Webinar teilzunehmen.

Ohne Buchung.

Sie können an dieser Veranstaltung auch ohne Buchung von RÖKO DIGITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen.

Eine Teilnahmebescheinigung erhalten nur Personen, die das digitale Modul „RÖKO DIGITAL“ des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG gebucht haben oder noch nachbuchen.

Um teilzunehmen kommen Sie ca. 10 Minuten vor Beginn wieder. Freischaltung zur Teilnahme in:

Sie können an dieser Veranstaltungen auch ohne Buchung von RÖKO DITITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen.

Eine Teilnahmebescheinigung erhalten nur Personen, die das digitale Modul „RÖKO DIGITAL“ des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG gebucht haben oder noch nachbuchen.

Melden Sie sich bitte hier an:

Bitte beachten Sie die Datenschutzhinweise.

Kongressteilnehmer.

Als Teilnehmer am RÖKO DIGITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG loggen Sie sich bitte ein, um an dieser Industrie­veranstaltung teilzunehmen.

Ohne Buchung.

Sie können an Industrie­veranstaltungen auch ohne Buchung von RÖKO DIGITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen.

Um teilzunehmen kommen Sie ca. 10 Minuten vor Beginn wieder. Freischaltung zur Teilnahme in:

Sie können an Industrie­veranstaltungen auch ohne Buchung von RÖKO DIGITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen. Melden Sie sich bitte hier an:

Bitte beachten Sie die Datenschutzhinweise.

Das ist eine Meldung

Stet clita kasd gubergren, no sea takimata sanctus est. Ut labore et dolore aliquyam erat, sed diam voluptua.

WISS 204

Onkologische Bildgebung: KI

Onkologische Bildgebung: KI
Donnerstag, 9. Mai 2024 · 10:30 bis 11:10 Uhr
9
Mai

Donnerstag, 9. Mai 2024

10:30 bis 11:10 Uhr · Raum: Studio 1.2 A+B  in Kalender übernehmen:   iCal  ·  Google

Veranstaltungsdetails

Veranstalter
Deutsche Röntgengesellschaft e.V.
Art
Wissenschaftliche Sitzung
Thema
Onkologische Bildgebung

Zertifizierungen

Der RÖKO WIESBADEN wird im Rahmen einer Kongresszertifizierung durch die LÄK Hessen bewertet. Bitte beachten Sie die Hinweise unter A bis Z.

Informationen

Moderation
Daniel Pinto dos Santos (Köln)
Marius Mayerhöfer (Wien)

Ablauf

10:30 - 10:35

Vortrag (Wissenschaft)

Assoziation zwischen Body Composition und Überleben bei Patienten mit gastroösophagealem Adenokarzinom: Ein automatisierter Deep-Learning-Ansatz

Matthias Jung (Freiburg)

weitere Autoren

Thierno Diallo (Freiburg) / Tobias Scheef (Freiburg) / Marco Reisert (Freiburg) / Alexander Rau (Freiburg) / Maximilian Russe (Freiburg) / Fabian Bamberg (Freiburg) / Stefan Fichtner-Feigl (Freiburg) / Michael Quante (Freiburg) / Jakob Weiß (Freiburg)

Zielsetzung

Body Composition (BC) könnte bei der Prognose von Patienten mit gastroösophagealem Adenokarzinom (GEAC) eine Rolle spielen. Wir haben ein Deep-Learning (DL) Modell für die vollautomatische Quantifizierung von BC-Metriken aus Routine Staging CTs entwickelt und dessen prognostischen Wert in einer klinischen Kohorte von Patienten mit GEAC zu untersuchen.

Material und Methoden

Wir entwickelten und testeten ein DL-Modell zur Quantifizierung von subkutanem (SAT) und viszeralem Fettgewebe (VAT) sowie der Skelettmuskulatur (SM) auf Routine-CTs, und untersuchten dessen prognostischen Wert in einer Kohorte von GEAC-Patienten anhand von Baseline sowie 3-6 und 6-12 Monaten postoperativen Follow-up-CTs. Primärer Endpunkt war die Gesamtmortalität, sekundärer Endpunkt der Progress. Die Cox-Regression untersuchte den Zusammenhang zwischen (I) der Baseline BC und der Mortalität und (II) der Abnahme der BC zwischen Baseline und Follow-up-CTs und der Mortalität/Progression.

Ergebnisse

Das DL-Modell erzielte Dice-Koeffizienten ≥0,94±0,06. Von 299 Patienten mit GEAC (Alter 63,0±10,7 Jahre; 19,4 % weiblich) starben 140 (47 %) während einer medianen Follow-up-Zeit von 31,3 Monaten. Kein Baseline BC-Maß war mit dem Überleben oder einem Progress assoziiert. Lediglich eine signifikante VAT-Abnahme von mehr als 70 % nach 6-12 Monaten war mit Mortalität (HR 1,97, 95%CI 1,18-3,31; p=0,001) und Progress (HR 1,86, 95%CI 1,13-3,05; p=0,015) assoziiert, volladjustiert für Alter, Geschlecht, BMI, UICC-Stadium, histologischem Grading, Resektionsstatus und neoadjuvanter Therapie.

Schlussfolgerungen

Deep Learning ermöglicht eine opportunistische BC Messung von Routine-Staging-CTs und kann prognostische Informationen quantifizieren. Bei GEAC-Patienten war nur eine deutliche VAT-Abnahme 6 bis 12 Monate postoperativ ein unabhängiger Prädiktor für Überleben und Progression, der über die bekannten Risikofaktoren hinausgeht. Die DL-basierte BC-Quantifizierung kann dazu beitragen, Personen mit hohem Risiko zu identifizieren, die sonst unbemerkt bleiben.
10:40 - 10:45

Vortrag (Wissenschaft)

Vorhersage des Therapieansprechens von Brustkrebspatientinnen mithilfe von maschinellem Lernen basierend auf klinischen- und [18F]FDG-PET/MRT Daten der Brust

Kai Jannusch (Düsseldorf)

weitere Autoren

Helena Peters (Düsseldorf) / Nils-Martin Bruckmann (Düsseldorf) / Frederic Dietzel (Düsseldorf) / Lale Umutlu (Essen) / Gerald Antoch (Düsseldorf) / Ken Herrmann (Essen) / Julian Kirchner (Düsseldorf) / Christian Rubbert (Düsseldorf) / Julian Caspers (Düsseldorf)

Zielsetzung

Ziel ist die Überprüfung, ob ein maschinelles Lernmodell basierend auf klinischen- und [18F]FDG-PET/MRT Baselinedaten der Brust, das pathologische Komplettansprechen (pCR) bei Patientinnen mit neu diagnostiziertem Brustkrebs vor einer neoadjuvanten Systemtherapie vorhersagen kann.

Material und Methoden

Patientinnen mit neu diagnostiziertem Brustkrebs wurden retrospektiv ausgewertet. Sie unterzogen sich einer [18F]FDG-PET/MRT der Brust, einer histopathologischen Analyse ihrer Brustkrebsläsionen und einer Auswertung ihrer klinischen Daten. Insgesamt wurden 56 Merkmale aus PET-, MRT-, soziodemografischen-/anthropometrischen-, histopathologischen- und klinischen Daten generiert und in ein Extreme-Gradient-Boosting-Modell (XGBoost) implementiert. Das Modell nutzt eine fünffache „nested-cross-validation“ zur Risikoreduktion überoptimistischer Schätzungen. Die diagnostische Modellleistung wurde mittels ROC-AUC, Sensitivität, Spezifität, positivem Vorhersagewert (PPV) und negativem Vorhersagewert (NPV) angegeben. Die jeweilige Merkmalsbedeutung von XGboost wurde analysiert um festzustellen, welche Merkmale am meisten zur Vorhersage einer pCR beigetragen.

Ergebnisse

143 Frauen mit einem Durchschnittsalter von 54±12 Jahren und neu diagnostiziertem Brustkrebs wurden retrospektiv analysiert. Die „nested-cross-validation“ ergab eine durchschnittliche ROC-AUC von 80,4±6,0% um eine pCR vorherzusagen. Eine durchschnittliche Sensitivität, Spezifität, PPV und NPV von 54,5±21,3%, 83,6±4,2%, 63,6±8,5% und 77,6±8,1% wurde erreicht. Zu den wichtigsten Merkmalen für die XGBoost Klassifizierung zählten die histopathologischen Merkmale gefolgt von PET-, MRT- und soziodemografischen-/anthropometrischen- Merkmalen.

Schlussfolgerungen

Das multiparametrische XGBoost-Modell zeigt vielversprechende Ergebnisse für die zuverlässige Vorhersage einer pCR bei Brustkrebspatientinnen vor einer neoadjuvanten Systemtherapie. Aktuell ist die erzielte Leistung jedoch nicht ausreichend um den Algorithmus in den klinischen Entscheidungsprozess zu integrieren.

Teilnahme Young Investigator Award

10:45 - 10:50

Vortrag (Wissenschaft)

Machine Learning Classifiers for Predictive Biomarkers Combining Clinical and Radiomic Data in Testicular Cancer

Catharina Lisson (Ulm)

weitere Autoren

Sabitha Manoji (89081 Ulm) / Daniel Wolf (89081 Ulm) / Christoph Gerhard Sebastian Lisson (89081 Ulm) / Stefan Andreas Schmidt (89081 Ulm) / Meinrad Beer (89081 Ulm) / Wolfgang Thaiss (89081 Ulm) / Christian Bolenz (89081 Ulm) / Friedemann Zengerling (89081 Ulm) / Michael Goetz (89081 Ulm)

Zielsetzung

Radiomics involves extracting and analysing various medical imaging features in a non-invasive, cost-effective way to characterise tumours comprehensively.
In this study, machine learning models were developed that combine radiomics and clinical factors to predict retroperitoneal lymph node metastasis in testicular germ cell tumours (TGCTs) to reduce unnecessary treatment in this group of young patients.

Material und Methoden

Ninety-one patients with surgically confirmed TGCTs and contrast computed tomography prior to orchiectomy were included in this retrospective investigation.
Following the segmentation of 273 retroperitoneal lymph nodes using dedicated radiomics software, prediction models were created utilizing the Random Forest (RF), Light Gradient Boosting Machine (LGBM), Support Vector Machine Classifier (SVC), and K-Nearest Neighbours (KNN). For each classifier, a radiomics-only, clinical-only, and combined radiomics-clinical prediction model were developed. The models’ performances were evaluated using the area under the receiver operating characteristic curves (AUCs) and decision curve analysis.

Ergebnisse

The RF-based combined clinical and radiomic model showed the strongest prediction performance with an AUC of 0.95 (±0.03; 95% CI), accuracy 87%, precision 89%, recall 86% and F1 score 87%, followed by the LGBM model with an AUC of 0.93 (±0.05; 95% CI), accuracy 83%, precision 87%, recall 80% and F1 score 82%. Decision curve analysis demonstrated the clinical utility of our RF-based combined model.

Schlussfolgerungen

Our study has identified reliable and predictive machine learning techniques for the prediction of lymph node metastasis in early stage testicular cancer. By integrating clinical risk factors with radiomics, we can identify the most effective machine-learning techniques for predictive analysis, thus expanding the range of radiomics' applicability in precision oncology and cancer therapy. Multi-centre validation is essential to obtain high-quality evidence for clinical application.

Teilnahme Young Investigator Award

10:50 - 10:55

Vortrag (Wissenschaft)

A statistical framework for planning and analysing test-retest studies for repeatability

Benjamin Noto (Münster)

weitere Autoren

Maria Eveslage (Münster) / Dennis Görlich (Münster) / Moritz Fabian Danzer (Münster)

Zielsetzung

There are a growing number of quantitative imaging biomarkers (QIB) that could allow for early and objective treatment response assessment. However, QIB measurements are subject to random variability, i.e. observed changes in a longitudinal treatment response study may not reflect true change but measurement variability. Before utilizing a QIB it is therefore essential to assess measurement repeatability by test-retest studies. Repeatability can be quantified by the repeatability coefficient (RC), the cutoff above which a change in the QIB is considered a real change. However, only a point estimate of the RC can be obtained from test-retest studies, with the quality of the estimate depending on the sample size. RC estimation accuracy directly governs the sensitivity and specificity actually achieved in a treatment response study. Currently, no statistical framework exists for test-retest studies sample size calculations. We aim to establish such a framework and give recommendations for sample sizes.

Material und Methoden

Establishment of an analytical mathematical framework for test-restest studies sample size calculations.

Ergebnisse

We provide easy-to-use formulas for sample size calculations of test-retest studies, obliviating the need for complex simulation studies.
Sample sizes of many QIB test-restest studies in the literature may be insufficient.

Schlussfolgerungen

We have established a statistical framework that allows for flexible sample size calculation of test-retest studies based upon newly introduced criteria concerning assessment quality in treatment response studies. Our framework also permits retrospective assessment of prior test-retest studies.
10:55 - 11:15

Diskussion

Diskussion

Runlog

Öffnen