polito.it
Politecnico di Torino (logo)

Predizione rischio di recidiva e profilo mutazionale dei tumori stromali gastrointestinali tramite machine learning applicato ad immagini TC = Risk stratification and mutational profile prediction of GastroIntestinal Stromal Tumors with machine learning applied to CT images

Giovanni Serra

Predizione rischio di recidiva e profilo mutazionale dei tumori stromali gastrointestinali tramite machine learning applicato ad immagini TC = Risk stratification and mutational profile prediction of GastroIntestinal Stromal Tumors with machine learning applied to CT images.

Rel. Gabriella Balestra, Samanta Rosati, Valentina Giannini. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Biomedica, 2021

[img]
Preview
PDF (Tesi_di_laurea) - Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives.

Download (818kB) | Preview
Abstract:

La classificazione del rischio di recidiva unita all’analisi mutazionale sono necessarie per predire l’efficacia di un’eventuale terapia adiuvante farmacologica e per stabilire un piano d’azione ottimale per la cura dei pazienti affetti da tumore stromale gastrointestinale (GIST). L’obiettivo di questo lavoro di tesi è quello di costruire due classificatori che siano in grado di ottenere tali parametri partendo dalle sole features radiomiche delle immagini TC, evitando così di dover sottoporre il paziente a biopsia. Sono state estratte 107 features radiomiche da immagini TC di 8 pazienti aventi una doppia segmentazione tumorale (svolta da due diversi operatori); tale doppia segmentazione è stata utilizzata per effettuare una prima scrematura di tali features al fine di individuare le più stabili inter-segmentazione, passando così da 107 features ad 86. Si è proceduto con l’estrazione delle features radiomiche per tutti gli 82 pazienti affetti da GISTs arruolati per questo studio, ottenendo così il dataset di partenza. Sono state svolte varie prove per valutare diversi metodi di feature selection e classificatori al fine di individuare la combinazione che fornisse risultati migliori sulla predizione del rischio e della mutazione genetica. Per ogni classificatore è stato svolto un processo di tuning dei parametri per ottenere il setting ideale, per poi validare il modello scelto sfruttando un validation set esterno composto da pazienti non inclusi nel processo di tuning.

Relatori: Gabriella Balestra, Samanta Rosati, Valentina Giannini
Anno accademico: 2021/22
Tipo di pubblicazione: Elettronica
Numero di pagine: 61
Soggetti:
Corso di laurea: Corso di laurea magistrale in Ingegneria Biomedica
Classe di laurea: Nuovo ordinamento > Laurea magistrale > LM-21 - INGEGNERIA BIOMEDICA
Aziende collaboratrici: NON SPECIFICATO
URI: http://webthesis.biblio.polito.it/id/eprint/21703
Modifica (riservato agli operatori) Modifica (riservato agli operatori)