Title:
|
Predicting multiple sclerosis conversion in CIS patients: A pilot study combining MRI-derived measures and clinical data through a machine learning approach; Predicción de la conversión de síndrome clínico aislado a esclerosis múltiple utilizando técnicas de aprendizaje automático.; Predicció de la conversió de síndrome clínic aïllat a esclerosi múltiple utilitzant tècniques d'aprenentatge automàtic.
|
Author:
|
Vidal Bordoy, Pau
|
Other authors:
|
Universitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions; Vilaplana Besler, Verónica; Pareto Onghena, Deborah |
Abstract:
|
The goal of the project will be to estimate, for each patient at baseline CIS (Clinically Isolated Syndrome) presentation, the probability of converting to MS. For that purpose, classification techniques from the last advances in machine learning will be applied on data obtained from different MRI modalities as well as clinic-demographical data. Project in collaboration with the Magnetic Resonance Unit (IDI), Vall d'Hebron Hospital, Barcelona. Co-advisor: Deborah Pareto |
Abstract:
|
The objective of this project is to investigate the feasibility of machine learning algorithms in predicting the conversion to multiple sclerosis (MS) of patients with a clinically isolated syndrome (CIS), using MRI-derived features. Many CIS patients only present a mild degree of affectation, making the radiological diagnostic not easy. MRI-derived features included in this project are related with brain atrophy and with the inflammatory component through brain lesion volume and topography (density of lesions in each brain lobe). These features have been used together with clinico-demographic data. Several experiments have been performed using three different definitions of conversion to MS. The results vary according to the definition used, with balanced accuracies of 0.68, 0.61 and 0.73 (recall = [0.51, 0.60, 0.68], specificity = [0.85, 0.62, 0.78]). The proposed approach does not overcome current radiological diagnosis, but further investigation including more MRI-derived features is needed. |
Abstract:
|
El objetivo de este proyecto es investigar la factibilidad de utilizar algoritmos de aprendizaje automático para predecir la conversión a Esclerosis Múltiple (EM) de pacientes con síndrome clínico aislado (CIS), utilizando características derivadas de imágenes de resonancia magnética (RM). Muchos pacientes con CIS presentan un nulo o leve grado de afectación, haciendo que el diagnóstico radiológico no sea fácil. Las características extraídas de las RMs están relacionadas con la atrofia cerebral y con la componente inflamatoria a través del volumen de lesión cerebral i de la densidad de lesiones en cada lóbulo cerebral (topografía). Estas características se combinan con datos clínicos y demográficos de los pacientes. Se han realizado experimentos utilizando tres definiciones diferentes de conversión a EM. Los resultados varían para cada definición, con precisiones balanceadas de 0.68, 0.61 y 0.73 (sensibilidad=[0.51,0.60, 0.68], especificidad =[0.85, 0.62, 0.78]). La solución propuesta no supera la precisión del método actual de diagnóstico de EM, pero se requiere más investigación. |
Abstract:
|
L'objectiu d'aquest projecte és investigar la factibilitat d'utilitzar algoritmes d'aprenentatge automàtic per predir la conversió a Esclerosi Múltiple (EM) de pacients amb síndrome clínic aïllat (CIS), utilitzant característiques derivades d'imatges de ressonància magnètica (RM). Molts pacients amb CIS presenten un nul o lleu grau d'afectació, fent que el diagnòstic radiològic no sigui fàcil. Les característiques extretes de les RM estan relacionades amb l'atròfia cerebral i amb la component inflamatòria a través del volum de lesió cerebral i de la densitat de lesions a cada lòbul (topografia). Aquestes característiques es combinen amb dades demogràfiques i clíniques dels pacients. S'han realitzat experiments utilitzant tres definicions diferents de conversió a EM. Els resultats varien per cada definició, amb precisions equilibrades de 0.68, 0.61 i 0.73 (sensibilitat=[0.51, 0.60, 0.68], especificitat=[0.85, 0.62, 0.78]). La solució proposada no supera la precisió del mètode actual de diagnòstic, però es requereix més investigació. |
Subject(s):
|
-Àrees temàtiques de la UPC::Enginyeria de la telecomunicació -Machine learning -Biomedical engineering -Multiple sclerosis -Aprendizaje automático -Ingeniería biomédica -Aprenentatge automàtic -Enginyeria biomèdica -Esclerosi múltiple |
Rights:
|
|
Document type:
|
Bachelor Thesis |
Published by:
|
Universitat Politècnica de Catalunya
|
Share:
|
|