Proyectos finales (grado)

Permanent URI for this collection

http://ri.itba.edu.ar/handle/123456789/8

Browse

Browsing Proyectos finales (grado) by Subject "APRENDIZAJE AUTOMÁTICO"

Now showing 1 - 1 of 1
  • Thumbnail Image
    proyecto final de grado.listelement.badge
    Predicción de mortalidad específica a dos años y mutación del gen KRAS en metástasis hepática de cáncer colorrectal mediante Radiómica y Aprendizaje Automático
    (2023-04-28) Dujaut, Iván Maximiliano; Esposito, Marco Iván; Ricci Lara, María Agustina
    El cáncer colorrectal es la segunda causa de muerte por cáncer en el mundo, y suele estar acompañado por metástasis hepática. Entre posibles tratamientos, la metástasis puede ser eliminada por medio de una cirugía de resección, y se sabe que una mutación en el gen KRAS es indicador de un peor pronóstico. Se han publicado investigaciones prometedoras sobre el uso de Inteligencia Artificial como herramienta de soporte a la toma de decisiones en el diagnóstico y pronóstico de pacientes con este tipo de patologías. Para este proyecto, se plantearon dos objetivos primarios, y múltiples secundarios. Como uno de los objetivos primarios, se definió entrenar y evaluar la capacidad diagnóstica de un clasificador basado en Radiómica e Inteligencia Artificial, para predecir la mortalidad específica a dos años en pacientes con metástasis hepática de cáncer colorrectal, utilizando imágenes de tomografía computada en fase venosa portal. Para este objetivo, el comienzo del período de dos años fue la cirugía de resección hepática como tratamiento a la enfermedad, y se definió la variable de respuesta Óbito, con dos posibles valores: cero o negativo, si el paciente vivía al finalizar el período, y uno o positivo, si la causa de muerte registrada fue la patología planteada. El otro objetivo primario consistió en entrenar y evaluar la capacidad diagnóstica de un clasificador basado en Radiómica e Inteligencia Artificial, empleando la misma modalidad y fase de imagen, pero para predecir el estado de mutación del gen KRAS. Para ello se definió la variable de respuesta KRAS, con dos valores posibles: cero o negativo para el estado Wild Type, y uno o positivo para el estado mutado, determinado por estudio genético. Como objetivos secundarios, se planteó el entrenamiento y evaluación de seis clasificadores basados en Radiómica e Inteligencia Artificial, con imágenes de tomografía computada en las fases sin contraste, venosa tardía, y arterial, para la predicción de las variables Óbito y KRAS. Se realizó un estudio de carácter retrospectivo, utilizando una base de datos de tomografías computadas conformada en el Hospital Italiano de Buenos Aires. Las imágenes fueron segmentadas por el departamento de Diagnóstico por Imágenes de la institución para identificar la lesión hepática de mayor tamaño y luego extraer las características radiómicas del volumen segmentado. La radiómica es un método de extracción de características cuantitativas de las imágenes, utilizadas como biomarcadores en medicina, y para el entrenamiento de algoritmos de Inteligencia Artificial. Se aplicaron métodos de selección de características y se realizó un ajuste de hiperparámetros para optimizar los modelos clasificadores. Los mismos se evaluaron con métricas como el área bajo la curva de la característica operativa del receptor. El modelo final para cada variable se produjo tomando el promedio de los puntajes de salida de los mejores modelos seleccionados. Mediante la combinación de filtros, métodos de selección de características y algoritmos de Inteligencia Artificial, se entrenaron más de 1.000 modelos entre todos los objetivos previstos. Para la variable Óbito, se utilizaron 101 casos en entrenamiento (64 vivos, 37 fallecidos) y 35 en evaluación (22 vivos, 13 fallecidos), resultando en un área bajo la curva de 0,875. Para la variable KRAS, se usaron 55 casos en entrenamiento (31 Wild Type, 24 mutados) y 30 en evaluación (17 Wild Type, 13 mutados), resultando en un área bajo la curva de 0,895. Los modelos entrenados mostraron resultados prometedores en su evaluación y podrían constituir una herramienta no invasiva de soporte a la toma de decisiones en el tratamiento de metástasis hepática de cáncer colorrectal. Existe la posibilidad de desarrollar futuros trabajos para mejorar los resultados alcanzados y validar el uso de los predictores para su uso clínico.