Modelo de aprendizaje automático para la predicción de grado de resección quirúrgica de los meningiomas craneales utilizando datos clínicos y radiómicos
Herrera Mora, Ivan Mauricio
López Vicario, José tut. (Universitat Autònoma de Barcelona. Departament de Telecomunicació i Enginyeria de Sistemes)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Fecha:	2025
Resumen:	Introducción: El meningioma es el tumor intracraneal primario más frecuente en adultos. La resecabilidad es un determinante del control tumoral en meningioma. La radiómica aplicada a IRM preoperatoria y la clínica puede aportar predicciones cuantitativas para planificar la cirugía. Objetivos: Desarrollar y evaluar un modelo multivariable que estime, en el preoperatorio del paciente con meningioma intracraneal, la probabilidad de alcanzar resección Simpson I frente a Simpson II. Métodos: Estudio retrospectivo (2018-2024). Se incluyeron adultos con meningioma y IRM T1 con contraste técnicamente adecuada. El desenlace fue binario (Simpson I vs II). La segmentación se realizó en 3D Slicer y la extracción radiómica con PyRadiomics bajo configuración estandarizada (IBSI). Los predictores se restringieron a variables numéricas preoperatorias (clínicas y radiómicas). Se comparó un banco selector×clasificador (ANOVA-KBest, LASSO, Elastic Net × LDA, Naive Bayes gaussiano, Regresión Logística; exploratorio: SVM lineal/RBF y Random Forest). Resultados: De ~70 casos cribados, 13 cumplieron elegibilidad; se analizaron 12 (Simpson I=4; Simpson II=8) con 126 predictores. La mejor configuración fue LASSO (C=0. 2; ≤3 variables) + LDA: exactitud 0,833; exactitud balanceada 0,812; F1-macro 0,812; AUROC 0,844; Strength fue el predictor más estable (12/12 iteraciones). Conclusiones: El modelo preoperatorio basado en radiómica y aprendizaje automático mostró discriminación y calibración favorables para predecir resecabilidad (Simpson I vs II). Se requieren validación externa multicéntrica y evaluación de impacto clínico.
Resumen:	Background: Meningiomas are the most frequent primary central nervous system neoplasms. The extent of resection drives tumor control in meningioma. Preoperative MRI radiomics may provide quantitative predictions to support surgical planning. Objective: To develop and internally evaluate a multivariable model estimating the probability of achieving Simpson I versus Simpson II resection. Methods: Retrospective study (2018-2024). Adults with meningioma and adequate preoperative contrast-enhanced T1-weighted MRI were included. Outcome: binary (Simpson I vs II). 3D segmentation in 3D Slicer; radiomics extraction with PyRadiomics under IBSI-compliant settings. Predictors were numeric preoperative clinical and radiomic variables. An internal selector×classifier bench-mark compared ANOVA-KBest, LASSO, Elastic Net × LDA, Gaussian Naive Bayes, Logistic Regression; exploratory SVM (linear/RBF) and Random Forest. Results: Of ~70 screened cases, 13 were eligible; 12 were modeled (Simpson I=4; Simpson II=8) with 126 predictors. Best configuration: LASSO (C=0. 2; ≤3 features) + LDA: accuracy 0. 833; balanced accuracy 0. 812; macro-F1 0. 812; AUROC 0. 844; AUPRC 0. 867. Strength was most stable (12/12). Conclusions: A preoperative radiomics-based model showed favorable discrimination and calibration for predicting resectability (Simpson I vs II). Multicenter external validation and clinical impact studies are warranted.
Derechos:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, sempre i quan aquestes es distribueixin sota la mateixa llicència que regula l'obra original i es reconegui l'autoria.
Lengua:	Català
Plan de estudios:	Màster en Intel·ligència Artificial i Big Data en Salut [4291]
Documento:	Treball de fi de postgrau
Materia:	Meningioma ; Radiómica ; Aprendizaje automático ; Grado de Simpson ; Validación cruzada ; Calibración ; Radiomics ; Machine learning ; Simpson grade

11 p, 794.6 KB

El registro aparece en las colecciones:
Documentos de investigación > Trabajos de investigación y proyectos de final de carrera > Ingeniería. TFM