Radiômica e aprendizado de máquina para identificação da codeleção cromossômica 1p/19q em gliomas de baixo grau

Detalhes bibliográficos
Autor(a) principal: Silva, Tony Alexandre Medeiros da
Data de Publicação: 2023
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: http://repositorio2.unb.br/jspui/handle/10482/47970
Resumo: Tese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos e de Automação, 2022.
id UNB_1ab0ab66a385f432ffc56a1d05b5c186
oai_identifier_str oai:repositorio.unb.br:10482/47970
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Radiômica e aprendizado de máquina para identificação da codeleção cromossômica 1p/19q em gliomas de baixo grauAprendizagem de máquinaGliomaBiomarcadores tumoraisTese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos e de Automação, 2022.Os gliomas representam em torno de 40% dos tumores cerebrais. Destes, 50% são de baixo grau, sendo representados quase que em sua totalidade por oligodendrogliomas e astrocitomas, ambos de grau II ou III. Tendo em vista que a codeleção cromossômica 1p/19q é um importante marcador tumoral de fator prognóstico (favorável) positivo nesses gliomas, propõe-se a utilizar a radiômica na análise de imagens como um abrangente quantificador de fenótipos tumorais não invasivos para identificar a codeleção cromossômica 1p/19q em gliomas de baixo grau. Trata-se de uma abordagem potencialmente utilizada em oncologia, auxiliando na detecção, diagnóstico e prognóstico do câncer, previsão de resposta ao tratamento e monitoramento do estado da doença. Por meio da plataforma PyRadiomics, que extrai características radiômicas que quantificam a intensidade, a forma e a textura da imagem do tumor em exames de ressonância magnética, utilizou-se um dataset com 159 pacientes diagnosticados com gliomas de baixo grau e extraiu-se 120 características. Em seguida implementou-se 4 experimentos onde foram aplicadas técnicas de pré-processamento de dados, tais como seleção, escalonamento, redimensionamento e aumento de dados, e aprendizado de máquina supervisionado. Após avaliação de um conjunto de dados de teste em cada experimento, obteve-se resultados promissores para acurácia, sensibilidade, especificidade, precisão, area sob a curva (AUC) e pontuação F1. Os mesmos mostram-se favoráveis quando comparados ao estado da arte. Este estudo descreve uma pesquisa exploratória cujos resultados ressaltam que a radiômica em conjunto com aprendizado de máquina configura uma abordagem promissora na identificação da codeleção cromossômica 1p/19q em gliomas de baixo grau.Gliomas represent approximately 40% of all brain turmors, and approximately 50% of all gliomas are low-grade, almost entirely represented by oligodendrogliomas and astrocytomas, both grade II or III. Since 1p/19q chromosome codeletion is an important tumor marker of positive prognostic (benign) factor in these gliomas, we propose the use of radiomics in image analysis as a comprehensive quantifier of non-invasive tumor phenotypes to identify 1p/19q chromosome codeletion in low-grade gliomas. This is an approach potentially used in oncology, helping in the detection, diagnosis and prognosis of cancer, prediction of response to treatment and monitoring of the state of the disease. Using the PyRadiomics platform, which extracts radiomic features that quantify the intensity, shape and texture of the tumor image in magnetic resonance images, a dataset with 159 patients diagnosed with low-grade gliomas was used and 120 features were extracted . Then, 4 experiments were implemented where data pre-processing techniques were applied, such as selection, scaling, resizing and data augumentation, and supervised machine learning. After evaluating a set of test data in each experiment, promising results were obtained for accuracy, sensitivity, specificity, precision, area under the curve (AUC) and F1 score. These results were competitive when compared to the state of the art. This study describes an exploratory research whose results underscore that radiomics in combination with machine learning constitutes a promising approach in identifying 1p/19q chromosome codeletion in low-grade gliomas.Faculdade de Tecnologia (FT)Departamento de Engenharia Elétrica (FT ENE)Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos e de AutomaçãoCarvalho, João Luiz Azevedo deNascimento, Francisco Assis de OliveiraSilva, Tony Alexandre Medeiros da2024-03-02T03:37:56Z2024-03-02T03:37:56Z2024-03-032023-02-13info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfSILVA, Tony Alexandre Medeiros da. Radiômica e aprendizado de máquina para identificação da codeleção cromossômica 1p/19q em gliomas de baixo grau. 2023. 123 f., il. Tese (Doutorado em Engenharia de Sistemas Eletrônicos e Automação) — Universidade de Brasília, Brasília, 2023.http://repositorio2.unb.br/jspui/handle/10482/47970porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-03-02T03:37:56Zoai:repositorio.unb.br:10482/47970Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-03-02T03:37:56Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Radiômica e aprendizado de máquina para identificação da codeleção cromossômica 1p/19q em gliomas de baixo grau
title Radiômica e aprendizado de máquina para identificação da codeleção cromossômica 1p/19q em gliomas de baixo grau
spellingShingle Radiômica e aprendizado de máquina para identificação da codeleção cromossômica 1p/19q em gliomas de baixo grau
Silva, Tony Alexandre Medeiros da
Aprendizagem de máquina
Glioma
Biomarcadores tumorais
title_short Radiômica e aprendizado de máquina para identificação da codeleção cromossômica 1p/19q em gliomas de baixo grau
title_full Radiômica e aprendizado de máquina para identificação da codeleção cromossômica 1p/19q em gliomas de baixo grau
title_fullStr Radiômica e aprendizado de máquina para identificação da codeleção cromossômica 1p/19q em gliomas de baixo grau
title_full_unstemmed Radiômica e aprendizado de máquina para identificação da codeleção cromossômica 1p/19q em gliomas de baixo grau
title_sort Radiômica e aprendizado de máquina para identificação da codeleção cromossômica 1p/19q em gliomas de baixo grau
author Silva, Tony Alexandre Medeiros da
author_facet Silva, Tony Alexandre Medeiros da
author_role author
dc.contributor.none.fl_str_mv Carvalho, João Luiz Azevedo de
Nascimento, Francisco Assis de Oliveira
dc.contributor.author.fl_str_mv Silva, Tony Alexandre Medeiros da
dc.subject.por.fl_str_mv Aprendizagem de máquina
Glioma
Biomarcadores tumorais
topic Aprendizagem de máquina
Glioma
Biomarcadores tumorais
description Tese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos e de Automação, 2022.
publishDate 2023
dc.date.none.fl_str_mv 2023-02-13
2024-03-02T03:37:56Z
2024-03-02T03:37:56Z
2024-03-03
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv SILVA, Tony Alexandre Medeiros da. Radiômica e aprendizado de máquina para identificação da codeleção cromossômica 1p/19q em gliomas de baixo grau. 2023. 123 f., il. Tese (Doutorado em Engenharia de Sistemas Eletrônicos e Automação) — Universidade de Brasília, Brasília, 2023.
http://repositorio2.unb.br/jspui/handle/10482/47970
identifier_str_mv SILVA, Tony Alexandre Medeiros da. Radiômica e aprendizado de máquina para identificação da codeleção cromossômica 1p/19q em gliomas de baixo grau. 2023. 123 f., il. Tese (Doutorado em Engenharia de Sistemas Eletrônicos e Automação) — Universidade de Brasília, Brasília, 2023.
url http://repositorio2.unb.br/jspui/handle/10482/47970
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1814508332332875776

Registros relacionados