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.
Inhaltsverzeichnis
1 Einleitung - Motivation
1.1 Prostata
1.1.1 Aufbau
1.1.2 Funktion
1.1.3 Krankheiten der Prostata
2 Stand der Wissenschaft
2.1 Untersuchungsmöglichkeiten der Prostata
2.2 Standard
2.2.1 PSA-Wert
2.2.2 UICC (5-stufig)
2.2.3 Grading der Arbeitsgruppe „Prostatakarzinom“ (3-stufig)
2.2.4 Gleason-Grading (doppel-5-stufig)
2.2.5 Klinisches Stadium
2.2.6 Nomogramm
2.2.7 Schnellschnitt-Untersuchungen
2.3 Neue Verfahren
2.3.1 Spektroskopie
2.3.2 Fluoreszenz
2.3.3 Remission und Weißlicht-Remission
2.3.4 Impedanz
2.3.5 Gewebediagnose in der Medizin
2.4 Arbeiten im Vorfeld
2.4.1 Messungen in Leipzig
2.4.2 Messungen in Chemnitz
2.4.3 Experimente in Minsk
3 Geräte, Methoden und verwendete Programme
3.1 CELIF - Geräteaufbau
3.2 Software Sophi 1.3
3.3 Software Bridge
3.4 Software Origin.Pro 7.5
3.5 Software SPSS
3.6 Software WEKA
3.7 Software MathCad
4 Experimente in Hamburg
4.1 Studiendesign und Zielsetzung
4.2 Praktische Umsetzung
5 Auswertung und Datenanalyse
5.1 Daten
5.2 Aufbereitung in Origin.Pro 7.5
5.3 CELIF-Verfahren mit 4 Parametern
5.4 Statistik-Auswertung mit SPSS
5.5 Data Mining mit WEKA
5.5.1 Das WEKA-Tool
5.5.2 Interpretation der Ergebnisse
6 Schlussfolgerungen und Ausblick
6.1 Kritische Betrachtung vorliegender Ergebnisse
6.1.1 Datenaufnahme
6.1.2 Datenanalyse
6.2 Weitere Ansätze
6.3 Andere Projekte mit ähnlicher Zielstellung
Zielsetzung & Themen
Die Arbeit verfolgt das Ziel, ein Modell zur Klassifizierung von Gewebeproben zu entwickeln, um bösartiges (malignes) von gutartigem (benignem) Prostatagewebe während einer Operation in Echtzeit unterscheiden zu können.
- Multimodale Gewebediagnose mittels laserinduzierter Fluoreszenz, Remission und Impedanzspektroskopie.
- Analyse und Vergleich verschiedener statistischer und mathematischer Modelle (PCA, LDA, KDD).
- Implementierung und Optimierung von Datenaufbereitungs- und Klassifizierungsverfahren (Data Mining).
- Kritische Evaluation der Geräte-Prototypen (CELIF) und deren klinischer Anwendung.
Auszug aus dem Buch
3.1 CELIF - Geräteaufbau
CELIF [HER04] ist ein Hybridaufbau aus kommerziell erhältlichen Einzelgeräten bzw. Bausteinen zur Messung der spektral und zeitlich aufgelösten LIF, der Weißlichtremissions-Spektroskopie sowie dielektrischer Spektroskopie (Hochfrequenz-Impedanzmessung) unter Verwendung einer gemeinsamen flexiblen Sonde und anschließender Auswertung und Archivierung der Daten.
Kernstück ist das Laserfluoreszenzspektrometer LIMES (Fa. Lasertechnik Berlin, [net05j]) zur Bestimmung der spektral und zeitlich aufgelösten laserinduzierten Fluoreszenz . LIMES verwendet einen Stickstofflaser MNL200 (λ = 337.1 nm, E = 140 µJ, ∆t = 0.5 ns, 2 Hz < f < 50 Hz) als Anregungsquelle mit der Möglichkeit zum Durchstimmen per Farbstofflaser und Frequenzverdopplung (225 < λ < 900 nm) und einer synchronen Energiemessung. Das Spektrometer-Detektor-Modul besteht in der Hauptsache aus einem Monochromator und einer ICCD (Intensified Charge-Coupled Devices) und erlaubt die Aufnahme von Spektren (235 < λ < 900 nm, ∆λ > 2 nm) und Abklingkurven (1 ns < t < 1 ms, ∆t = 5 ns) und ihre kombinierte Erfassung als sogenannte Spektrogramme. Die Steuerung des Laser- und Spektrometer-Detektor-Moduls erfolgt über die Programme Sophi 1.3 bzw. ATM (Automated Tuning Modul) . LIMES ist für die Anregung und Erfassung des Fluoreszenzlichtes mittels optischer Fasern konzipiert.
Diese Grundanordnung wurde durch eine Xenon-Weißlichtquelle XH100 der Fa. Müller, Moosinning [net06k] ergänzt, so dass eine spektral aufgelöste Messung der Geweberemission möglich wurde. Diese Remissionsdaten dienen der Korrektur des Fluoreszenzspektrums bezüglich Absorption, insbesondere bezüglich der des Hämoglobins. Laserstrahlung und Xenonlicht wurden in einem ersten Aufbau über ein Linsensystem alternativ in die
Zusammenfassung der Kapitel
1 Einleitung - Motivation: Das Kapitel erläutert die klinische Notwendigkeit, Tumorgewebe während der Resektion sicher zu identifizieren, und führt in die wissenschaftliche Fragestellung des Projekts ein.
2 Stand der Wissenschaft: Hier werden die medizinischen Grundlagen der Prostata, die aktuellen Diagnosestandards sowie physikalische Messverfahren und Vorarbeiten in Leipzig, Chemnitz und Minsk detailliert beschrieben.
3 Geräte, Methoden und verwendete Programme: Dieses Kapitel stellt den technischen Aufbau des CELIF-Systems sowie die zur Datenaufnahme und -analyse genutzten Software-Lösungen wie Sophi, Origin.Pro und WEKA vor.
4 Experimente in Hamburg: Es wird das Studiendesign der in Hamburg durchgeführten Messungen an Prostatagewebe und die praktische Umsetzung der Datengewinnung erläutert.
5 Auswertung und Datenanalyse: Dieses Kernkapitel beschreibt die Aufbereitung, statistische Auswertung und das Data Mining der gewonnenen Messdaten zur Gewebeklassifizierung.
6 Schlussfolgerungen und Ausblick: Eine kritische Betrachtung der Ergebnisse und eine Diskussion über potenzielle Verbesserungen sowie zukünftige Forschungsansätze bilden den Abschluss.
Schlüsselwörter
Prostatakarzinom, CELIF, Fluoreszenzspektroskopie, Impedanzspektroskopie, Weißlicht-Remission, Data Mining, WEKA, statistische Klassifikation, Hauptkomponenten-Analyse, Diskriminanz-Analyse, Tumorgewebe, medizinische Diagnostik, neuronales Netz, Gewebeklassifizierung.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Entwicklung und Erprobung eines messenden Gerätesystems zur intraoperativen Unterscheidung von gesundem und bösartigem Gewebe bei Prostata-Tumor-Operationen.
Was sind die zentralen Themenfelder?
Die Themenfelder umfassen Medizin, Medizinphysik und Informatik, insbesondere die Spektroskopie (Fluoreszenz und Remission), die Impedanzanalyse und die Anwendung von Algorithmen des Data Minings zur Datenklassifizierung.
Was ist das primäre Ziel der Forschungsarbeit?
Das primäre Ziel ist es, bösartige von gutartigen Gewebebereichen während der Operation sicher unterscheiden zu können, um so eine vollständigere Entfernung von Tumorgewebe bei gleichzeitiger Schonung funktionswichtiger Nerven zu ermöglichen.
Welche wissenschaftliche Methode wird verwendet?
Es wird eine multimodale Analyse verwendet, die laserinduzierte Fluoreszenz, Weißlicht-Remission und elektrische Hochfrequenz-Impedanzmessung kombiniert und die Daten mit statistischen Modellen und Data-Mining-Algorithmen (wie k-nächste-Nachbar, Entscheidungsbäume und neuronale Netze) auswertet.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil behandelt den Geräteaufbau (CELIF), die Durchführung der klinischen Messungen in Hamburg, die Datenaufbereitung mit Software-Tools und die verschiedenen Ansätze zur Datenanalyse.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Prostatakarzinom, CELIF-System, Spektroskopie, Data Mining (WEKA) und die Klassifizierung von biologischen Gewebestrukturen.
Warum ist die Unterscheidung von Gewebe bei der Prostataoperation so schwierig?
Da der Tumor oft nicht sichtbar ist und Gefäß-Nerven-Bündel für die Erektionsfähigkeit sehr nahe am Gewebe verlaufen, ist ein blinder Sicherheitsabstand bei der Resektion oft problematisch.
Welche Rolle spielt die Zeit bei den Messungen?
Eine schnelle Messung (innerhalb von ca. 10-15 Minuten nach der Entnahme) ist essentiell, da durch einsetzende Nekrose (Zelltod) die fluoreszierenden Eigenschaften des Gewebes, speziell des Fluorophors NADH, verloren gehen.
Was ist das Ergebnis der Data-Mining-Analyse?
Die Anwendung von Data-Mining-Verfahren konnte eine Klassifizierungsgenauigkeit von bis zu 100% bei Trainingsdaten erzielen, wobei für die Testdaten je nach Methode Wahrscheinlichkeiten zwischen 67,8% und 84,7% erreicht wurden.
- Citar trabajo
- B.Sc. Carola Eleonora Gerich (Autor), 2006, Physikalische Multiparameter-Analyse biologischer Strukturen zur Bewertung des Prostata-Karzinoms, Múnich, GRIN Verlag, https://www.grin.com/document/81353
