Modelo de machine learning para la predicción de la progresión del glioblastoma multiforme utilizando datos radiómicos y clínicos
Páez Rodríguez, Adriana Milena
Ramos Terrades, Oriol tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Fecha:	2025
Resumen:	Objetivo: Desarrollar y validar un modelo de aprendizaje automático para predecir progresión en glioblastoma multiforme (GBM) mediante características radiómicas de resonancia magnética preoperatoria y variables clínicas. Materiales y Métodos: estudio retrospectivo que incluyó 11 pacientes con GBM confirmado histopatológicamente. Se extrajeron 159 características radiómicas de imágenes T1 con contraste siguiendo estándares IBSI. La progresión tumoral se definió mediante criterios RANO. El estudio se adhirió a las guías TRIPOD-AI. La selección de características identificó las variables más predictivas, y se evaluaron nueve clasificadores mediante validación cruzada anidada leave-one-out con bootstrap (1000 iteraciones). Las métricas incluyeron exactitud balanceada, área bajo la curva ROC (AUROC) y error de Brier. Resultados: Tres características de la matriz GLRLM fueron consistentemente seleccionadas. El clasificador Extra Trees demostró rendimiento superior (AUROC = 0,833, IC 95%: 0,712-0,927; exactitud balanceada = 0,817; error de Brier = 0,188), superando a otros clasificadores. El modelo mostró calibración adecuada. Conclusión: Un modelo compacto de aprendizaje automático basado en tres características texturales GLRLM predice con buen rendimiento la progresión del GBM. Este estudio demuestra que la estandarización metodológica permite modelado predictivo confiable incluso en cohortes limitadas, estableciendo bases para validación externa multicéntrica.
Resumen:	Objective: to develop and validate a machine learning model for predicting early progression in glioblastoma multiforme (GBM) using preoperative MRI radiomic features and clinical variables. Materials and Methods: this retrospective study included 11 patients with histopathologically confirmed GBM. From preoperative contrast-enhanced T1-weighted MRI, 159 radiomic features were extracted following Image Biomarker Standardization Initiative (IBSI) guidelines. Tumor progression was defined using RANO criteria. The study adhered to TRIPOD-AI reporting guidelines. Feature selection identified the most predictive variables, and nine machine learning classifiers were evaluated using nested leave-one-out cross-validation with bootstrap resampling (1000 iterations). Performance metrics included balanced accuracy, area under the receiver operating characteristic curve (AUROC), and Brier score. Results: Three Gray-Level Run-Length Matrix (GLRLM) features were consistently selected. The Extra Trees Classifier demonstrated superior performance (AUROC = 0. 833, 95% CI: 0. 712-0. 927; balanced accuracy = 0. 817; Brier score = 0. 188), outperforming other classifiers. The model showed favorable calibration. Conclusion: a compact machine learning model based on three GLRLM textural features robustly predicts GBM progression. This TRIPOD-AI compliant study demonstrates that methodological standardization enables reliable predictive modeling even in limited cohorts, providing a foundation for multicenter validation.
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:	Castellà
Plan de estudios:	Màster en Intel·ligència Artificial i Big Data en Salut [4291]
Documento:	Treball de recerca
Materia:	Glioblastoma ; Radiómica ; Aprendizaje Automático ; Resonancia Magnética ; Progresión Tumoral ; TRIPOD-AI ; Machine Learning ; Magnetic Resonance Imaging ; Tumor Progression

10 p, 997.7 KB

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