Machine-Learning-Based Survival Prediction in Glioblastoma Using Graph-Theoretical Analysis of Structural Network Alterations
Aktuelle Publikation
Eine aktuelle Studie in Cancers zeigt, dass Glioblastome nicht nur als einzelner Tumor betrachtet werden sollten, sondern als Erkrankung, die zentrale Netzwerke im Gehirn stört. Die Forschenden rund um Prof. Dr. Andreas Stadlbauer analysierten MRT-Daten von 871 Patient:innen und konnten zeigen, dass Veränderungen wichtiger Nervenverbindungen eng mit dem Überleben zusammenhängen. Besonders aussagekräftig waren Störungen in Netzwerk-Knoten des Schläfenlappens sowie in weiteren zentralen Hirnregionen. Auf Basis dieser Netzwerkdaten konnten die Modelle mit hoher Genauigkeit vorhersagen, ob Patient:innen länger als ein Jahr überlebten. Die Ergebnisse eröffnen damit neue Perspektiven für Prognose, Therapieplanung und eine stärker vernetzte Sicht auf diese aggressive Hirntumorerkrankung. Gefördert wurde die Arbeit durch das Programm Forschungsimpulse des Landes Niederösterreich sowie durch den Open-Access-Publikationsfonds der KL.
Stadlbauer, A., Oberndorfer, S., Heinz, G., Marhold, F., Kinfe, T. M., Dorostkar, M., Schnell, O., Meyer-Bäse, U., & Meyer-Bäse, A. (2026). Machine-Learning-Based Survival Prediction in Glioblastoma Using Graph-Theoretical Analysis of Structural Network Alterations. Cancers, 18(7), 1161. https://doi.org/10.3390/cancers18071161
Prof. Dr. Andreas Stadlbauer
Klinisches Institut für diagnostische und interventionelle Radiologie (Universitätsklinikum St. Pölten)
Prim. Univ.-Prof. PD Dr. Stefan Oberndorfer FEAN
Klinische Abteilung für Neurologie (UK St. Pölten)
Prim. Univ.-Prof. Dr. Gertraud Heinz MBA
Klinisches Institut für diagnostische und interventionelle Radiologie (Universitätsklinikum St. Pölten)
OA Dr. Mario Dorostkar PhD
Institut für Klinische Pathologie und Molekularpathologie der Region NÖ-Mitte (Universitätsklinikum St. Pölten)