Ítem


Aprenentatge automàtic per a la generació de plans de tractament de tumors amb radioteràpia

El caràcter d’aquest treball està encarat de forma explícita a la recerca i té com a objectiu determinar si és possible fer una predicció de la viabilitat dels tractaments de radioteràpia a través de la informació que s’obté de les diferents mètriques que defineixen aquests tractaments. Amb aquest enfocament es van definir dues etapes del projecte. La primera consistia en l’estudi de les mètriques i la segona en el desenvolupament d’un model predictiu que fos capaç de predir amb les mètriques seleccionades en l’estudi de l’etapa anterior quins tractaments són els que superen els índexs deviabilitat establerts. A trets generals podem dir que els objectius marcats s’han assolit: S’han estudiat les mètriques i s’han extret conclusions interessants que marquen un nou full de ruta per seguir la investigació. La principal conclusió és que la correlació entre la viabilitat del tractament i les mètriques de complexitat analitzades indica que, d’existir relació entre elles, aquesta no és lineal, per tant s’hauria de seguir la investigació utilitzant regressions no lineals o altres mètodes. A més, s’ha descobert una característica important de les dades que és la multicolinealitat i s’ha determinat que intentar-la solventar pot comportar en la majoria dels casos la pèrdua d’informació rellevant. És per això que s’ha establert que per a futurs estudis, és imprescindible fer ús de totes les mètriques. Amb la utilització dels mètodes de Machine Learning inclosos dins la llibreria de Scikitlearn de Python s’ha aconseguit obtenir un model que és capaç de predir en un 72% d’efectivitat quins són els tractaments que passen els índexs de viabilitat per poder ser utilitzats en pacients sense necessitat de fer proves amb maniquí. Tot i no ser un bon resultat donada la finalitat del predictor, ja que l’existència de falsos positius n’impossibiliten el seu ús en casos reals, s’ha pogut demostrar que no és possible fer una predicció de la viabilitat dels tractaments de radioteràpia utilitzant els mètodes de boscos aleatoris, màquines de suport vectorial, o KNN. Una aposta per seguir treballant en el desenvolupament d’un model que sigui capaç d’identificar els tractaments òptims per a ser utilitzats en pacients seria ampliar les fronteres del marc en què s’engloba aquest treball i fer ús d’altres tècniques en intel·ligència artificial com poden ser les xarxes neurals

Director: López Ibáñez, Beatriz
 Lambisto Castro, D.
Autor: Passarrius Pedrosa, Joan
Data: febrer 2022
Resum: El caràcter d’aquest treball està encarat de forma explícita a la recerca i té com a objectiu determinar si és possible fer una predicció de la viabilitat dels tractaments de radioteràpia a través de la informació que s’obté de les diferents mètriques que defineixen aquests tractaments. Amb aquest enfocament es van definir dues etapes del projecte. La primera consistia en l’estudi de les mètriques i la segona en el desenvolupament d’un model predictiu que fos capaç de predir amb les mètriques seleccionades en l’estudi de l’etapa anterior quins tractaments són els que superen els índexs deviabilitat establerts. A trets generals podem dir que els objectius marcats s’han assolit: S’han estudiat les mètriques i s’han extret conclusions interessants que marquen un nou full de ruta per seguir la investigació. La principal conclusió és que la correlació entre la viabilitat del tractament i les mètriques de complexitat analitzades indica que, d’existir relació entre elles, aquesta no és lineal, per tant s’hauria de seguir la investigació utilitzant regressions no lineals o altres mètodes. A més, s’ha descobert una característica important de les dades que és la multicolinealitat i s’ha determinat que intentar-la solventar pot comportar en la majoria dels casos la pèrdua d’informació rellevant. És per això que s’ha establert que per a futurs estudis, és imprescindible fer ús de totes les mètriques. Amb la utilització dels mètodes de Machine Learning inclosos dins la llibreria de Scikitlearn de Python s’ha aconseguit obtenir un model que és capaç de predir en un 72% d’efectivitat quins són els tractaments que passen els índexs de viabilitat per poder ser utilitzats en pacients sense necessitat de fer proves amb maniquí. Tot i no ser un bon resultat donada la finalitat del predictor, ja que l’existència de falsos positius n’impossibiliten el seu ús en casos reals, s’ha pogut demostrar que no és possible fer una predicció de la viabilitat dels tractaments de radioteràpia utilitzant els mètodes de boscos aleatoris, màquines de suport vectorial, o KNN. Una aposta per seguir treballant en el desenvolupament d’un model que sigui capaç d’identificar els tractaments òptims per a ser utilitzats en pacients seria ampliar les fronteres del marc en què s’engloba aquest treball i fer ús d’altres tècniques en intel·ligència artificial com poden ser les xarxes neurals
Format: application/pdf
Accés al document: http://hdl.handle.net/10256/20678
Llenguatge: cat
Drets: Attribution-NonCommercial-NoDerivatives 4.0 International
URI Drets: http://creativecommons.org/licenses/by-nc-nd/4.0/
Matèria: Càncer -- Radioteràpia
Radioteràpia
Radiació -- Mesurament
Radiació -- Dosimetria
Intel·ligència artificial -- Aplicacions a la medicina
Cancer -- Radiotherapy
Radiotherapy
Radiation -- Measurement
Radiation dosimetry
Artificial intelligence -- Medical applications
Títol: Aprenentatge automàtic per a la generació de plans de tractament de tumors amb radioteràpia
Tipus: info:eu-repo/semantics/bachelorThesis
Repositori: DUGiDocs

Matèries

Autors