Clasificación del riesgo de recaída en cáncer de pulmón mediante análisis de imágenes y machine learning
| dc.contributor.advisorTFE | Ariz Galilea, Mikel | |
| dc.contributor.affiliation | Escuela Técnica Superior de Ingeniería Industrial, Informática y de Telecomunicación | es_ES |
| dc.contributor.affiliation | Industria, Informatika eta Telekomunikazio Ingeniaritzako Goi Mailako Eskola Teknikoa | eu |
| dc.contributor.author | Osinalde Elizondo, Arantza | |
| dc.date.accessioned | 2025-10-10T17:33:47Z | |
| dc.date.available | 2025-10-10T17:33:47Z | |
| dc.date.issued | 2025 | |
| dc.date.updated | 2025-10-09T14:39:16Z | |
| dc.description.abstract | El adenocarcinoma pulmonar es uno de los tipos de cáncer de pulmón más comunes tanto en pacientes fumadores como no fumadores. En este trabajo se desarrollará una clasificación automática de pacientes diagnosticados con adenocarcinoma pulmonar en función de lo agresivo que sea este, basándose en el tiempo que transcurre desde la intervención quirúrgica en la que se extrae el tumor hasta que el tumor se reproduce en el pulmón. Para ello, se emplearán técnicas de análisis de imágenes y extracción de características radiómicas junto con métodos de aprendizaje automático. La base de datos empleada consta de imágenes inmunohistoquímicas de muestras tumorales teñidas con DAB y Hematoxilina, junto con datos clínicos que incluyen el tiempo de recaída del paciente. A partir del área tumoral de cada uno de los biomarcadores estudiados (BRCA1, GLUT1 y QKI) se han extraído características cuantitativas relacionadas con la intensidad, forma y textura de los píxeles pertenecientes a esa área, que luego han sido seleccionados mediante distintos métodos de selección de características estadísticos y computacionales para identificar cuál es el mejor en este caso. Con ese grupo de características se han entrenado distintos métodos de clasificación, en concreto Random Forest y Multi-Layer Perceptron (MLP), y se ha realizado una comparación para ver cuál funciona mejor y qué configuración de estos es la óptima para predecir el riesgo de recaída de los pacientes. Además, se realiza una deconvolución de color de las imágenes para obtener los canales DAB y H y se compara con los resultados obtenidos mediante las características obtenidas con los canales R, G, B para observar cuál es más efectivo a la hora de clasificar. Los mejores resultados obtenidos con este sistema alcanzan una accuracy media del 71 % y un AUC medio de 0.77%, utilizando un clasificador MLP optimizado y características extraídas de los canales DAB y Hematoxilina de toda el área tumoral y seleccionadas mediante Random Forest. Estos resultados muestran que es posible diferenciar de forma razonable entre pacientes con alto y bajo riesgo de recaída a partir de imágenes inmunohistoquímicas. Además, se ha observado que el uso de imágenes procesadas por deconvolución de color (separando DAB y Hematoxilina) mejora el rendimiento frente al uso de imágenes en formato RGB. Por otro lado, el uso de segmentaciones subcelulares no ha ofrecido mejores resultados que las características extraídas del área tumoral completa, lo que sugiere que la información global del tejido tumoral resulta más útil para la predicción. | es_ES |
| dc.description.degree | Graduado o Graduada en Ingeniería Biomédica por la Universidad Pública de Navarra | es_ES |
| dc.description.degree | Ingeniaritza Biomedikoko Graduatua Nafarroako Unibertsitate Publikoan | eu |
| dc.format.mimetype | application/pdf | |
| dc.identifier.uri | https://academica-e.unavarra.es/handle/2454/55280 | |
| dc.language.iso | spa | |
| dc.rights.accessRights | info:eu-repo/semantics/openAccess | |
| dc.subject | Adenocarcinoma pulmonar | es_ES |
| dc.subject | Cáncer de pulmón | es_ES |
| dc.subject | Agresividad tumoral | es_ES |
| dc.subject | Recaída | es_ES |
| dc.subject | DAB | es_ES |
| dc.subject | Hematoxilina | es_ES |
| dc.title | Clasificación del riesgo de recaída en cáncer de pulmón mediante análisis de imágenes y machine learning | es_ES |
| dc.type | info:eu-repo/semantics/bachelorThesis | |
| dspace.entity.type | Publication |