Schlaefer, AlexanderAlexanderSchlaefer1230435220000-0001-9201-8854Fuhlert, PatrickPatrickFuhlert2025-03-032025-03-032025Technische Universität Hamburg (2025)https://hdl.handle.net/11420/54460For the selection of optimal patient treatment, survival prediction methods that estimate the expected time to an event of interest can be utilized. These models aim to provide accurate disease predictions such as for cancer patients based on characteristics of an individual patient or group. This thesis analyzes how deep learning-based survival prediction models can be utilized in the context of prostate cancer diagnostics. A survival prediction model called Discrete Calibrated Survival was developed using medical datasets and applied on a high quality dataset of radical prostatectomy patients. The results showed that the developed approach outperforms the commonly used Cox model regarding relapse-free survival prediction. Moreover, the thesis investigates one of the most important factors in predicting relapse-free survival of prostate cancer patients. To assess prostate cancer severity, pathologists traditionally use Gleason grading that involves evaluating individual tissue samples. However, this grading system suffers from interobserver variability. This thesis demonstrates that a newly developed deep learning-based cancer risk prediction model, called Prostate Cancer Aggressiveness Index, can surpass the Gleason grading system. Instead of relying on subjective annotations by human experts, this model utilizes the objective endpoint of relapse-free survival to assess the risk of individual tissue images. Additionally, this approach can be applied to biopsies when appropriate robustness measures are applied.Um die optimale Behandlung von Patienten zu bestimmen können Überlebenszeitmodelle eingesetzt werden. Diese Modelle versuchen möglichst genaue Vorhersagen über den zukünftigen Krankheitsverlauf, zum Beispiel von Krebspatienten, anhand individueller Patienten oder Gruppen vorherzusagen. Diese Arbeit analysiert, wie künstliche neuronale Netze dazu genutzt werden können, solche Modelle für die Diagnose von Prostatakrebspatienten zu entwickeln. Ein Überlebenszeitmodell namens "Discrete Calibrated Survival" wurde, basierend auf medizinischen Datensätzen, entwickelt und auf einen hochwertigen Datensatz von Prostatakrebspatienten, die mit der radikalen Prostatektomie behandelt wurden, angewandt. Es konnte gezeigt werden, dass eine verbesserte individuelle Risikoabschätzung gegenüber dem normalerweise genutztem Cox Modell erreicht werden konnte. Darüberhinaus wurde einer der wichtigsten Faktoren für die Vorhersage von Rückfallzeiten für Prostatakrebspatienten genauer untersucht. Um die Aggressivität des Prostatakarzinoms zu bestimmen bewertet ein Pathologe das Gewebe mit der Gleason Klassifikation. Diese Arbeit zeigt, dass diese Bewertung, die hohe Varianz zwischen verschiedenen Pathologen aufweist, von einem neu entwickelten, künstlichen neuronalen Netz mit dem Namen "Prostate Cancer Aggressiveness Index" übertroffen werden kann. Anstatt sich auf die subjektive Bewertung der menschlichen Experten zu verlassen, benutzt dieses Modell den objektiven Endpunkt der tatsächlichen Überlebenszeit um das Rückfallrisiko für den Individuellen Patienten zu bestimmen. Diese Arbeit zeigt weiterhin, dass die Risikoeinschätzung sogar für Biopsien genutzt werden kann, wenn entsprechende Maßnahmen zur steigerung der Robustheit des Modells hinzugefügt werden.enhttps://creativecommons.org/licenses/by/4.0/survival analysisprostate cancerdeep learningdigital histopathologyelectronic health recordsTechnology::610: Medicine, HealthTechnology::616: DeseasesComputer Science, Information and General Works::006: Special computer methodsDoctoral Thesishttps://doi.org/10.15480/882.1481710.15480/882.14817Bonn, StefanStefanBonnOther