Entidad: Universitat Rovira i Virgili (URV)
Confidencialidad: No
Enseñanza(s): Enginyeria de la Seguretat Informàtica i Intel·ligència Artificial
APS: No
Título en diferentes idiomas: Un Marco de Aprendizaje Profundo Multimodal de Multimodalidad en Imágenes por RM y Genómica para Evaluar la Supervivencia del Cáncer Cerebral
Resumen: 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).
Materia: Aprenentatge automàtic
Curso académico: 2023-2024
Idioma: en
Fecha de la defensa del trabajo: 2024-09-13
Áreas temàticas: Ingeniería informática
Estudiante: Buzdugan, Sebastian Eugen
Codirector del trabajo: Mazher, Moona
Departamento: Enginyeria Informàtica i Matemàtiques
Fecha de alta en el repositorio: 2025-10-23
Palabras clave: Aprendizaje automático, Predicción de supervivencia, Marco multimodal
Título en la lengua original: A Multimodality Multimodal Deep Learning Framework on MRI Imaging and Genomics to Assess Brain Cancer Survival
Derechos de Accesso: info:eu-repo/semantics/openAccess
Director del proyecto: Puig Valls, Domènec Savi
Repositori URV