Capacidade de predição de agressividade de neoplasias renais malignas utilizando radiômica em sequências específicas de ressonância magnética
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da USP |
Texto Completo: | https://www.teses.usp.br/teses/disponiveis/17/17158/tde-05012024-162435/ |
Resumo: | Objetivo: Avaliar a capacidade de sequências específicas de RM em predizer a gravidade anatomopatológica de neoplasias renais malignas, utilizando o desempenho da radiômica, baseada em ferramentas de processamento por inteligência artificial com aprendizado de máquina (machine learning), treinada com base em exames de pacientes com confirmação histopatológica de câncer de rim. Materiais e métodos: Segmentamos, manualmente, 42 lesões renais de exames de RM, realizadas em nossa instituição. Os dados foram adquiridos nas fases T2, ADC e Portal, através do software 3D Slicer. Em seguida, foram extraídos atributos (features) das imagens usando a biblioteca PyRadiomics. Após a extração dos atributos, realizou-se uma seleção de atributos utilizando a biblioteca Sklearn. Foram testados diferentes modelos de seleção, como Recursive Feature Elimination (RFE) e SelectKBest. Os modelos de aprendizado de máquina testados foram Random Forest, Sector Vector Machine (SVM) e Logistic Regression. O treino foi feito com a porção de treino dos casos, e a validação dos modelos com a porção de teste. Após a validação dos modelos, estudamos a acurácia, a precisão e a área sob a curva ROC (AUC-ROC) para avaliar o desempenho dos modelos. Resultados: no ADC, o SVM, Random Forest e Logistic Regression alcançaram acurácia de 0.80, 0.68 e 0.78, precisão de 0.65, 0.46 e 0.59 e AUC-ROC de 0.73, 0.57 e 0.73. No Portal, o SVM, Random Forest e Logistic Regression alcançaram acurácia de 0.82, 0.83 e 0.78, precisão de 0.69, 0.62 e 0.64 e AUC-ROC de 1.00, 0.67 e 0.82. Discussão: os resultados deste estudo demonstram que a radiômica pode ser usada para diferenciar entre tumores renais de baixo e alto grau usando dados de ressonância magnética com boa precisão. O SVM e Logistic Regression obtiveram bons resultados, com SVM alcançando a maior precisão e o Random Forest não obteve bons resultados. Novos estudos com amostras maiores são necessários para confirmar esses achados. |
id |
USP_7625a89f3a00d208a9c7f2f201bd6dad |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-05012024-162435 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
Capacidade de predição de agressividade de neoplasias renais malignas utilizando radiômica em sequências específicas de ressonância magnéticaAbility to predict the anatomopathological severity of malignant renal neoplasms using radiomics in specific sequences of magnetic resonanceArtificial intelligenceInteligência artificialKidney neoplasmLogistic regressionLogistic regressionMagnetic resonanceNeoplasia renalPyRadiomicsPyRadiomicsRandom forestRandom forestRessonância magnéticaSklearnSklearnSVMSVMObjetivo: Avaliar a capacidade de sequências específicas de RM em predizer a gravidade anatomopatológica de neoplasias renais malignas, utilizando o desempenho da radiômica, baseada em ferramentas de processamento por inteligência artificial com aprendizado de máquina (machine learning), treinada com base em exames de pacientes com confirmação histopatológica de câncer de rim. Materiais e métodos: Segmentamos, manualmente, 42 lesões renais de exames de RM, realizadas em nossa instituição. Os dados foram adquiridos nas fases T2, ADC e Portal, através do software 3D Slicer. Em seguida, foram extraídos atributos (features) das imagens usando a biblioteca PyRadiomics. Após a extração dos atributos, realizou-se uma seleção de atributos utilizando a biblioteca Sklearn. Foram testados diferentes modelos de seleção, como Recursive Feature Elimination (RFE) e SelectKBest. Os modelos de aprendizado de máquina testados foram Random Forest, Sector Vector Machine (SVM) e Logistic Regression. O treino foi feito com a porção de treino dos casos, e a validação dos modelos com a porção de teste. Após a validação dos modelos, estudamos a acurácia, a precisão e a área sob a curva ROC (AUC-ROC) para avaliar o desempenho dos modelos. Resultados: no ADC, o SVM, Random Forest e Logistic Regression alcançaram acurácia de 0.80, 0.68 e 0.78, precisão de 0.65, 0.46 e 0.59 e AUC-ROC de 0.73, 0.57 e 0.73. No Portal, o SVM, Random Forest e Logistic Regression alcançaram acurácia de 0.82, 0.83 e 0.78, precisão de 0.69, 0.62 e 0.64 e AUC-ROC de 1.00, 0.67 e 0.82. Discussão: os resultados deste estudo demonstram que a radiômica pode ser usada para diferenciar entre tumores renais de baixo e alto grau usando dados de ressonância magnética com boa precisão. O SVM e Logistic Regression obtiveram bons resultados, com SVM alcançando a maior precisão e o Random Forest não obteve bons resultados. Novos estudos com amostras maiores são necessários para confirmar esses achados.Objective: To evaluate the ability of specific MRI sequences to predict the anatomopathological severity of malignant renal neoplasms, using the performance of radiomics, based on processing tools by artificial intelligence with machine learning, trained on the basis of patient exams with histopathological confirmation of kidney cancer. Materials and methods: We manually segmented 42 renal lesions from MRI scans performed at our institution. Data were acquired in phases T2, ADC and Portal, through the 3D Slicer software. Then, features of the images were extracted using the PyRadiomics library. After extracting the attributes, a selection of attributes was performed using the Sklearn library. Different selection models were tested, such as Recursive Feature Elimination (RFE) and SelectKBest. The tested machine learning models were Random Forest, Sector Vector Machine (SVM) and Logistic Regression. Training was done with the training portion of the cases, and validation of the models with the test portion. After validating the models, we studied the accuracy, precision and area under the ROC curve (AUC-ROC) to evaluate the performance of the models. Results: in the ADC, the SVM, Random Forest and Logistic Regression achieved accuracy of 0.80, 0.68 and 0.78, precision of 0.65, 0.46 and 0.59 and AUC-ROC of 0.73, 0.57 and 0.73. In Portal, SVM, Random Forest and Logistic Regression reached accuracy of 0.82, 0.83 and 0.78, precision of 0.69, 0.62 and 0.64 and AUC-ROC of 1.00, 0.67 and 0.82. Discussion: The results of this study demonstrate that radiomics can be used to differentiate between low and high grade renal tumors using MRI data with good accuracy. SVM and Logistic Regression achieved good results, with SVM achieving the highest accuracy and Random Forest not achieving good results. New studies with larger samples are needed to confirm these findings.Biblioteca Digitais de Teses e Dissertações da USPMuglia, Valdair FranciscoBarreto, Luan Oliveira2023-09-13info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/17/17158/tde-05012024-162435/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2024-03-12T13:40:02Zoai:teses.usp.br:tde-05012024-162435Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212024-03-12T13:40:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Capacidade de predição de agressividade de neoplasias renais malignas utilizando radiômica em sequências específicas de ressonância magnética Ability to predict the anatomopathological severity of malignant renal neoplasms using radiomics in specific sequences of magnetic resonance |
title |
Capacidade de predição de agressividade de neoplasias renais malignas utilizando radiômica em sequências específicas de ressonância magnética |
spellingShingle |
Capacidade de predição de agressividade de neoplasias renais malignas utilizando radiômica em sequências específicas de ressonância magnética Barreto, Luan Oliveira Artificial intelligence Inteligência artificial Kidney neoplasm Logistic regression Logistic regression Magnetic resonance Neoplasia renal PyRadiomics PyRadiomics Random forest Random forest Ressonância magnética Sklearn Sklearn SVM SVM |
title_short |
Capacidade de predição de agressividade de neoplasias renais malignas utilizando radiômica em sequências específicas de ressonância magnética |
title_full |
Capacidade de predição de agressividade de neoplasias renais malignas utilizando radiômica em sequências específicas de ressonância magnética |
title_fullStr |
Capacidade de predição de agressividade de neoplasias renais malignas utilizando radiômica em sequências específicas de ressonância magnética |
title_full_unstemmed |
Capacidade de predição de agressividade de neoplasias renais malignas utilizando radiômica em sequências específicas de ressonância magnética |
title_sort |
Capacidade de predição de agressividade de neoplasias renais malignas utilizando radiômica em sequências específicas de ressonância magnética |
author |
Barreto, Luan Oliveira |
author_facet |
Barreto, Luan Oliveira |
author_role |
author |
dc.contributor.none.fl_str_mv |
Muglia, Valdair Francisco |
dc.contributor.author.fl_str_mv |
Barreto, Luan Oliveira |
dc.subject.por.fl_str_mv |
Artificial intelligence Inteligência artificial Kidney neoplasm Logistic regression Logistic regression Magnetic resonance Neoplasia renal PyRadiomics PyRadiomics Random forest Random forest Ressonância magnética Sklearn Sklearn SVM SVM |
topic |
Artificial intelligence Inteligência artificial Kidney neoplasm Logistic regression Logistic regression Magnetic resonance Neoplasia renal PyRadiomics PyRadiomics Random forest Random forest Ressonância magnética Sklearn Sklearn SVM SVM |
description |
Objetivo: Avaliar a capacidade de sequências específicas de RM em predizer a gravidade anatomopatológica de neoplasias renais malignas, utilizando o desempenho da radiômica, baseada em ferramentas de processamento por inteligência artificial com aprendizado de máquina (machine learning), treinada com base em exames de pacientes com confirmação histopatológica de câncer de rim. Materiais e métodos: Segmentamos, manualmente, 42 lesões renais de exames de RM, realizadas em nossa instituição. Os dados foram adquiridos nas fases T2, ADC e Portal, através do software 3D Slicer. Em seguida, foram extraídos atributos (features) das imagens usando a biblioteca PyRadiomics. Após a extração dos atributos, realizou-se uma seleção de atributos utilizando a biblioteca Sklearn. Foram testados diferentes modelos de seleção, como Recursive Feature Elimination (RFE) e SelectKBest. Os modelos de aprendizado de máquina testados foram Random Forest, Sector Vector Machine (SVM) e Logistic Regression. O treino foi feito com a porção de treino dos casos, e a validação dos modelos com a porção de teste. Após a validação dos modelos, estudamos a acurácia, a precisão e a área sob a curva ROC (AUC-ROC) para avaliar o desempenho dos modelos. Resultados: no ADC, o SVM, Random Forest e Logistic Regression alcançaram acurácia de 0.80, 0.68 e 0.78, precisão de 0.65, 0.46 e 0.59 e AUC-ROC de 0.73, 0.57 e 0.73. No Portal, o SVM, Random Forest e Logistic Regression alcançaram acurácia de 0.82, 0.83 e 0.78, precisão de 0.69, 0.62 e 0.64 e AUC-ROC de 1.00, 0.67 e 0.82. Discussão: os resultados deste estudo demonstram que a radiômica pode ser usada para diferenciar entre tumores renais de baixo e alto grau usando dados de ressonância magnética com boa precisão. O SVM e Logistic Regression obtiveram bons resultados, com SVM alcançando a maior precisão e o Random Forest não obteve bons resultados. Novos estudos com amostras maiores são necessários para confirmar esses achados. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-09-13 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.teses.usp.br/teses/disponiveis/17/17158/tde-05012024-162435/ |
url |
https://www.teses.usp.br/teses/disponiveis/17/17158/tde-05012024-162435/ |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
|
dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.coverage.none.fl_str_mv |
|
dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
collection |
Biblioteca Digital de Teses e Dissertações da USP |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
_version_ |
1809090396348743680 |