E-Locus - Ιδρυματικό Καταθετήριο Πανεπιστημίου Κρήτης - Multi-modal data integration using machine and deep learning techniques for predicting high-level clinical outcomes of non-small cell lung cancer patients

Αρχική Multi-modal data integration using machine and deep learning techniques for predicting high-level clinical outcomes of non-small cell lung cancer patients

Αποτελέσματα - Λεπτομέρειες

[Προσθήκη στο καλάθι]

Κωδικός Πόρου

000463762

Τίτλος

Multi-modal data integration using machine and deep learning techniques for predicting high-level clinical outcomes of non-small cell lung cancer patients

Άλλος τίτλος

Πολυτροπική ενσωμάτωση δεδομένων με χρήση τεχνικών μηχανικής και βαθιάς μάθησης για την πρόβλεψη κλινικών αποτελεσμάτων ασθενών με μη μικροκυτταρικό καρκίνο του πνεύμονα

Συγγραφέας

Τριβιζάκης, Ελευθέριος

Σύμβουλος διατριβής

Σουγλάκος, Ιωάννης

Μέλος κριτικής επιτροπής

Καραντάνας, Απόστολος
Μαριάς, Κωνσταντίνος

Περίληψη

Η σύγχρονη έρευνα σχετικά με την απεικονιστική γονιδιωματική (imagenomics) αναμένεται να διαδραματίσει σημαντικό ρόλο στη συσχέτιση “ακτινοφαινοτύπων” (imaging phenotypes) με γονοτύπους ή μοριακή πληροφορία, προωθώντας το ρόλο της ανάλυσης ιατρικής απεικόνισης και της ενσωμάτωσης πολυτροπικών δεδομένων στην ογκολογία και την ιατρική ακριβείας. Η συσχέτιση των ιατρικών δεδομένων με μοριακά ή γενετικά χαρακτηριστικά της νεοπλασίας μπορεί να οδηγήσει σε ακριβέστερη διάγνωση, ενίσχυση της πρόβλεψης για απόκριση εξατομικευμένης θεραπείας σε ασθενείς με καρκίνο του πνεύμονα και εν δυνάμει μπορεί να συμβάλει στον προσδιορισμό των μοριακών μηχανισμών που προκαλούν την παθογένεση της νόσου. Η χρήση της πολυτροπικής ενσωμάτωσης που βασίζεται στη μηχανική μάθηση για την πρόβλεψη ανταπόκρισης συγκεκριμένων θεραπειών μπορεί να αποτρέψει περιττές επεμβατικές διαδικασίες. Επιπλέον, αυτό μπορεί να οδηγήσει στη βελτιστοποίηση της σχέσης κόστουςοφέλους, ειδικά σε νέες και ακριβές θεραπείες υγειονομικής περίθαλψης. Η κοόρτη που θα μελετηθεί αποτελείται από ασθενείς με πρωτογενή μη μικροκυτταρικό καρκίνου του πνεύμονα με διαθέσιμες: απεικονιστικές εξετάσεις, μεταγραφικά δεδομένα και κλινικά/παθολογικά δεδομένα όπως ιστορικό καπνίσματος, γενικό δείκτη κατάστασης ασθενούς και μοριακό υπόβαθρο της βλάβης. Συγκεκριμένα, η γενετική έκφραση διαφόρων ογκογονιδίων έχει συσχετιστεί με την ανταπόκριση σε στοχευμένες θεραπείες για ασθενείς με καρκίνο του πνεύμονα. Σε αυτήν την διατριβή, έχουν αναπτυχθεί προηγμένα συστήματα απόφασης που βασίζονται στη βαθιά μάθηση και την τεχνητή νοημοσύνη για την πρόβλεψη των κλινικών αποτελεσμάτων ασθενών με μη μικροκυτταρικό καρκίνου του πνεύμονα.

Φυσική περιγραφή

89 σ. : σχεδ., πιν., εικ.(μερ. εγχρ.) ; 30 εκ.

Γλώσσα

Αγγλικά

Θέμα

Computed tomography

Image analysis

Multi-omics

Radiomics

Transcriptomics

Ανάλυση εικόνας

Αξονική τομογραφία