Physikalische Multiparameter-Analyse biologischer Strukturen zur Bewertung des Prostata-Karzinoms

Bachelorarbeit aus dem Jahr 2006 im Fachbereich Informatik - Angewandte Informatik, Note: 95%, UMIT Private Universität für Gesundheitswissenschaften, Medizinische Informatik und Technik, Sprache: Deutsch, Abstract: Zusammenfassung Eine zentrale Zielsetzung in der Medizin, bei einer Resektion malignen Gewebes alle Tumorzellen restlos zu entfernen, fordert die Entwicklungen von neuen Instrumenten. Da Tumor nicht sichtbar ist und daher die Erfahrung des operierenden Arztes eine wesentliche Rolle spielt, ist die Forderung nach messenden Geräten zur Unterstützung dieser wichtigen Eingriffe essentiell. In dieser Arbeit wird die Studie des Fraunhofer-Instituts (IZFP), Dresden, in Zusammenarbeit mit der Universitätsklinik (UKE), Hamburg, vorgestellt, in der untersucht wird, ob bei Messungen von Gewebe mit verschiedenen Mess-Verfahren relevante Parameter im Zusammenspiel dieser Messungen existieren, um gezielt benignes von malignem Gewebe unterscheiden zu können. Die Messungen wurden in der Urologie des UKE an Prostata-Gewebe nach Totalresektionen auf Grund einer Tumorerkrankung vorgenommen. Hierbei wurde jede Gewebeprobe mit 4 verschiedenen Methoden vermessen: laserinduzierte Fluoreszenz (LIF), zeitaufgelöste Fluoreszenz, Weißlicht-Remission und Impedanz. Nach der nicht ganz unproblematischen Datenaufnahme wegen eines instabilen Moduls des Geräte-Prototypen CELIF wurde mit verschiedenen Ansätzen und Verfahren analysiert, um relevante Attribute zu detektieren. Der Versuch, Gewebe durch physikalische Größen zu klassifizieren, dadurch dass man spezielle Attribute der Fluoreszenz, Remission und Impedanz in Relation zueinander bringt, der bei Gehirntumor deutliche Ergebnisse brachte, zeigte hier keine erfolgversprechende Klassifikation. Der alternative Ansatz aus der Statistik mit der Hauptkomponenten-Analyse (PCA) und Diskriminanz-Analyse (LDA) bringt trotz nicht vollständiger Datenaufnahme brauchbare Auswertungen. Verfahren des KDD (Knowledge Discovery in Databases), die in dieser Arbeit insbesondere mit dem Data Mining einen breiten Raum beanspruchen, bringen beim 'Lernen' der Trainingsdaten eine Wahrscheinlichkeit der richtigen Klassifizierung von 98.3% - 100% und in der Folge bei den Testdaten eine Wahrscheinlichkeit von 67.8% - 84.7%. In zukünftigen Mess-Serien muss auf weitere zur Klassifizierung eventuell notwendige Parameter (Einstrahltiefe, Druck der Sonde) und eine feinere Justierung bzw. Auswahl der Attribute geachtet werden.