Un Marco de Aprendizaje Profundo Multimodal de Multimodalidad en Imágenes por RM y Genómica para Evaluar la Supervivencia del Cáncer Cerebral

Identificador:  TFM:2114

Handle: https://hdl.handle.net/20.500.11797/TFM2114

Autores:  Buzdugan, Sebastian Eugen

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).