Universität zu Köln

Beyerlein, Xenia Ilsabe (2026). Vorhersage des Tumorregressionsgrades und des Ausmaßes von Lymphknotenmetastasen bei gastroösophagealen Adenokarzinomen nach neoadjuvanter FLOT-Therapie durch Deep Learning anhand therapienaiver Biopsien. PhD thesis, Universität zu Köln.

PDF Dissertation Beyerlein Endversion.pdf - Accepted Version Download (2MB)

Abstract

Die hier vorliegende Arbeit befasst sich mit der Vorhersage des Tumorregressionsgrades und des Ausmaßes von Lymphknotenmetastasen bei gastroösophagealen Adenokarzinomen nach neoadjuvanter FLOT-Therapie mittels sogenannten „deep learning“ Methoden auf Grundlage von therapienaiven Tumorbiopsien. Ziel der Studie war es, ein neuronales Netzwerk zu trainieren, welches anhand von klinischen Daten und digitalisierten therapienaiven Biopsien der Tumore ein gutes oder schlechtes Ansprechen auf eine neoadjuvante Chemotherapie nach dem FLOT-Schema vorhersagen kann. Es handelt sich dabei um eine retrospektive Studie. Die notwendigen Daten lagen alle bereits vor Studienbeginn vor. Insgesamt wurden in die Studie 147 Patientinnen und Patienten eingeschlossen von welchen 227 digitalisierte histologische Bilder vorlagen. 78 Patient*innen gehörten zum Kollektiv aus der Universitätsklinik Köln und 59 Patient*innen wurden an der Universitätsklinik Heidelberg operiert und als externe Validierungskohorte des neuronalen Netzwerkes genutzt. Die Gesamtdatenmenge belief sich auf insgesamt 77,3 Gigabyte. Aus diesen Bildern konnten insgesamt 342.545 Kacheln (sog. „tiles“) für die KI-Analyse extrahiert werden. Als zusätzliche klinische Parameter wurden Alter, Geschlecht, Body- Mass-Index, Gesundheitszustand, Krankheitsgeschichte und weitere Tumorinformationen genutzt. Das neuronale Netzwerk hatte die Grundarchitektur „Xception“ und wurde mit insgesamt 20.811.096 Parametern trainiert. Das finale Prädiktionsmodell konnte bei den eingeschlossenen Patient*innen vorhersagen, ob der Lymphknotenstatus nach neoadjuvanter Therapie positiv (ypN+) oder negativ (ypN0) ist. In der Kölner Gruppe war bei 33 Patient*innen (42,3%) der Lymphknotenstatus ypN0 und bei 45 Patient*innen (57,7%) war er ypN+. In der Heidelberger Gruppe war der Lymphknotenstatus bei 23 Patient*innen (39,0%) ypN0 und bei 36 (61,0%) ypN+. Es bestand somit kein signifikanter Unterschied zwischen der Trainings- und der Validierungskohorte mit einem entsprechenden p-Wert von 0,695. Letztendlich hatte das neuronale Netzwerk nach 17.793 Trainingseinheiten in insgesamt drei Epochen eine Genauigkeit (engl. „accuracy“) von 92,1%. Die anschließende externe Validierung erreichte eine Area under the curve (AUC) von 69,8% ohne klinische Parameter und 72,6% mit Einschluss der klinischen Parameter. Ein weiteres Modell wurde trainiert, um vorherzusagen, ob nach abgeschlossener neoadjuvanter Therapie mehr oder weniger als 50% vitaler Resttumor existierte. 43 Patient*innen (55,1%) in der Kölner Gruppe wiesen einen vitalen Resttumor von weniger 8 als 50% und dementsprechend einen Regressionsgrad von 1a, 1b oder 2 nach Becker auf und 35 Patient*innen (44,9%) hatten mehr als 50% vitalen Resttumor (entsprechend dem Regressionsgrad 3 nach Becker). In der Heidelberger Gruppe fand sich bei 34 Patient*innen (57,6%) weniger als 50% vitaler Resttumor und bei 25 Patient*innen (42,4%) fand sich ein vitaler Resttumor von mehr als 50%. Der p-Wert betrug in diesem Fall 0,955. Anhand dieses Modell konnte ein mittlerer quadratischer Fehler von 197,2 berechnet werden, was einer Abweichung von +/- 14% entspricht. Im Trainingsprozess wurden 29.655 Trainingseinheiten in insgesamt fünf Epochen durchlaufen. Die externe Validierung zeigte eine AUC von 60,4% ohne zusätzliche klinische Daten und 64,8% mit Nutzung der klinischen Daten. Zusammenfassend lässt sich anhand der Studienergebnisse schlussfolgern, dass ein Zusammenhang zwischen den visuellen Informationen aus den digitalisierten Biopsien der therapienaiven Ösophaguskarzinome und den untersuchten Outcome-Parametern wie dem Lymphknotenstatus oder dem Regressionsgrad besteht. Weitergehende Untersuchungen sind notwendig, um die in dieser Arbeit erbrachten Ergebnisse zu festigen und ein Prädiktionsmodell zu erstellen, welches in der klinischen Realität Anwendung finden kann. Hierdurch könnten Patient*innen eine individualisierte Therapie erhalten. Entweder mit einer intensivierten neoadjuvanten Therapie im Falle eines guten vorhergesagten Ansprechens oder mittels einer vorgezogenen onkologischen Resektion im Falle eines schlechten vorhergesagten Ansprechens.

Item Type:	Thesis (PhD thesis)
Creators:	Creators Email ORCID ORCID Put Code Beyerlein, Xenia Ilsabe xenia.beyerlein@gmx.de UNSPECIFIED UNSPECIFIED
URN:	urn:nbn:de:hbz:38-803448
Date:	2026
Language:	German
Faculty:	Faculty of Medicine
Divisions:	Faculty of Medicine > Chirurgie > Klinik und Poliklinik für Allgemein-, Viszeral-, Thorax- und Transplantationschirurgie
Subjects:	Data processing Computer science Medical sciences Medicine
Uncontrolled Keywords:	Keywords Language gastroösophageale Adenokarzinome German Vorhersage des Tumorregressionsgrades German Deep Learning UNSPECIFIED
Date of oral exam:	23 February 2026
Referee:	Name Academic Title Popp, Felix Professor Dr. med. Dipl.-Inf. Quaas, Alexander Universitätsprofessor Dr. med.
Refereed:	Yes
URI:	http://kups.ub.uni-koeln.de/id/eprint/80344