A Multimodality Multimodal Deep Learning Framework on MRI Imaging and Genomics to Assess Brain Cancer Survival

Palabras clave: Aprendizaje automático, Predicción de supervivencia, Marco multimodal; Machine learning, Survival prediction, Multimodal framework; Aprenentatge automàtic, Predicció de supervivència, Marc multimodal

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; A Multimodality Multimodal Deep Learning Framework on MRI Imaging and Genomics to Assess Brain Cancer Survival; Un Marc d'Aprenentatge Profund Multimodal de Multimodalitat en Imatges per RM i Genòmica per Avaluar la Supervivència del Càncer Cerebral

Áreas temàticas: Ingeniería informática; Computer engineering; Enginyeria informàtica

Confidencialidad: No

Curso académico: 2023-2024

Codirector del trabajo: Mazher, Moona

Estudiante: Buzdugan, Sebastian Eugen

APS: No

Departamento: Enginyeria Informàtica i Matemàtiques

Derechos de Accesso: info:eu-repo/semantics/openAccess

Fecha de la defensa del trabajo: 2024-09-13

Director del proyecto: Puig Valls, Domènec Savi

Resumen: Glioblastoma (GBM) is a cerebral neoplasm characterised by intricate genetic factors that impact the prognosis of patients. The primary objective of this work is to predict survival by combining important molecular changes, such as IDH1 mutations and MGMT promoter methylation, with MRI-derived radiomics and clinical data. Improved survival prediction in GBM patients was achieved by employing machine learning models such as RandomForest, XGBoost, LightGBM, and a bespoke Dense Neural Network. The Dense NN model achieved higher accuracy when trained on UPENN-GBM (602 patients) and UCSF-PDGM (414 patients). This strategy emphasizes the capacity of artificial intelligence and radiogenomics to enhance precision medicine for glioblastoma multiforme (GBM).; 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

Entidad: Universitat Rovira i Virgili (URV)

Idioma: en

Enseñanza(s): Enginyeria de la Seguretat Informàtica i Intel·ligència Artificial

Título en la lengua original: A Multimodality Multimodal Deep Learning Framework on MRI Imaging and Genomics to Assess Brain Cancer Survival

Fecha de alta en el repositorio: 2025-10-23