Predicción de la respuesta al tratamiento del cáncer de pulmón mediante redes neuronales artificiales
Fecha:
10/07/2024Palabra clave:
Tipo de Ítem:
masterThesis
Resumen:
Este trabajo de fin de máster se centra en el desarrollo de un modelo predictivo de aprendizaje profundo basado en redes neuronales multicapa para realizar una clasificación binaria de la respuesta al tratamiento en pacientes con cáncer de pulmón, específicamente cáncer de pulmón de células no pequeñas. Se utilizan los datos del estudio Prostate, Lung, Colorectal, and Ovarian Cancer Screening Trial (PLCO) proporcionados por el Cancer Data Access System (CDAS) del National Cancer Institute (NCI) de Estados Unidos. El modelo predictivo se entrena con una amplia variedad de datos clínicos, incluyendo información de diagnóstico, resultados de pruebas, datos demográficos, hábitos y antecedentes personales y familiares de los pacientes. El objetivo del modelo es predecir la probabilidad de mortalidad del paciente a causa del cáncer de pulmón permitiendo evaluar la efectividad de los tratamientos realizados. El modelo ha alcanzado una exactitud de 0.71, lo que demuestra su eficacia y sugiere una prometedora línea de investigación futura.
Descripción:
This master's thesis focuses on the development of a predictive deep learning model based on multilayer neural networks to perform a binary classification of the treatment response in patients with lung cancer, specifically non-small cell lung cancer. The study uses data from the Prostate, Lung, Colorectal, and Ovarian Cancer Screening Trial (PLCO) provided by the Cancer Data Access System (CDAS) of the National Cancer Institute (NCI) of the United States. The predictive model is trained with a wide variety of clinical data, including diagnostic information, test results, demographic data, habits, and personal and family histories of the patients. The model aims to predict the probability of patient mortality due to lung cancer, allowing for the evaluation of the effectiveness of the treatments administered. The model has achieved an accuracy of 0.71, demonstrating its effectiveness and suggesting a promising direction for future research.
Ficheros en el ítem
