Entitat: Universitat Rovira i Virgili (URV)
Confidencialitat: No
Ensenyament(s): Enginyeria de la Seguretat Informàtica i Intel·ligència Artificial
Aprenentatge Servei: No
Títol en diferents idiomes: Un Marc d'Aprenentatge Profund Multimodal de Multimodalitat en Imatges per RM i Genòmica per Avaluar la Supervivència del Càncer Cerebral
Resum: El glioblastoma (GBM) és una neoplasia cerebral caracteritzada per factors genètics complexos que influeixen en el pronòstic dels pacients. L'objectiu principal d'aquest treball és predir la supervivència combinant canvis moleculars importants, com ara mutacions en l'IDH1 i la metilació del promotor MGMT, amb dades radiològiques i clíniques derivades de la ressonància magnètica. Es va aconseguir una millora en la predicció de la supervivència en pacients amb GBM mitjançant l'ús de models d'aprenentatge automàtic com ara RandomForest, XGBoost, LightGBM i una xarxa neuronal densa a mida. El model de xarxa neuronal densa va aconseguir una major precisió quan es va entrenar en UPENN-GBM (602 pacients) i UCSF-PDGM (414 pacients). Aquesta estratègia emfatitza la capacitat de la intel·ligència artificial i la radiogenòmica per millorar la medicina de precisió per al glioblastoma multiforme (GBM).
Matèria: Aprenentatge automàtic
Curs acadèmic: 2023-2024
Idioma: en
Data de la defensa del treball: 2024-09-13
Àrees temàtiques: Enginyeria informàtica
Estudiant: Buzdugan, Sebastian Eugen
Codirector del treball: Mazher, Moona
Departament: Enginyeria Informàtica i Matemàtiques
Data d'alta al repositori: 2025-10-23
Paraules clau: Aprenentatge automàtic, Predicció de supervivència, Marc multimodal
Títol en la llengua original: A Multimodality Multimodal Deep Learning Framework on MRI Imaging and Genomics to Assess Brain Cancer Survival
Drets d'accés: info:eu-repo/semantics/openAccess
Director del projecte: Puig Valls, Domènec Savi
Repositori URV