Aplicación de redes neuronales convolucionadas de una dimensión para estudiar la respuesta a la terapia en glioblastomas. : [Recurso Electrónico] / Paula Daniella Restrepo Galvis.
Idioma: Español Editor: Bogotá (Colombia) : Escuela Colombiana de Ingeniería Julio Garavito, 2022Descripción: 66 paginas. gráficosTema(s): REDES NEURONALES (NEUROBIOLOGÍA) | CEREBRO - TUMORES -- | GLIOBLASTOMAClasificación CDD: 599.01 Recursos en línea: Haga clic para acceso en línea Resumen: Este estudio presenta la comparación entre varios modelos de aprendizaje automático con el fin de establecer el mejor modelo para predecir si hay respuesta a la terapia en pacientes comprometidos con glioblastomas (GBM), utilizando señales derivadas de imágenes espectroscópicas de resonancia magnética (MRSI). La aplicación de modelos de clasificación lineales, no lineales y redes neuronales convolucionadas de una dimensión permitirían determinar la temprana identificación del nivel respuesta a la terapia, con el objetivo de personalizar los tratamientos para el GBM y así mejorar su eficacia, pues podría incrementar la tasa de supervivencia. Actualmente, los pacientes diagnosticados con GBM reciben tratamiento de quimioterapia y radioterapia, y en algunos casos incluye la resección quirúrgica del tumor. Posterior al tratamiento, puede ocurrir remisión del tumor. Nuestro aporte radica en mejorar la interpretación de los datos obtenidos en la fase de tratamiento, para ayudar a entender, de una manera no invasiva, si los tumores están en respuesta a la terapia. Para ello estudiaremos la composición química de las muestras revelando la información metabólica (biomarcadores) (Horská & Barker, 2010), para profundizar en la investigación del GBM, uno de los tumores cerebrales más agresivos y fatales en los humanos. La comparación de estos modelos y su respectiva evaluación tendrán presente métricas relacionadas con estudios médicos, analizando el desempeño de los modelos por medio de la especificidad de los resultados y así evaluar la capacidad de discriminar los falsos negativos que se traduce en la falta de la detección temprana de la enfermedad (Komori, 2022).Tipo de ítem | Ubicación actual | Colección | Signatura | Info Vol | Copia número | Estado | Fecha de vencimiento | Código de barras | Reserva de ítems |
---|---|---|---|---|---|---|---|---|---|
TRABAJOS DE GRADO | Biblioteca Jorge Álvarez Lleras Fondo general | Digital | 599.01 R436a (Navegar estantería) | Ej.1 | 1 | Disponible | D002252 |
Navegando Biblioteca Jorge Álvarez Lleras Estantes, Ubicación: Fondo general, Código de colección: Digital Cerrar el navegador de estanterías
Tesis (Magíster en Ciencia de Datos)
Este estudio presenta la comparación entre varios modelos de aprendizaje automático con el
fin de establecer el mejor modelo para predecir si hay respuesta a la terapia en pacientes
comprometidos con glioblastomas (GBM), utilizando señales derivadas de imágenes
espectroscópicas de resonancia magnética (MRSI). La aplicación de modelos de clasificación
lineales, no lineales y redes neuronales convolucionadas de una dimensión permitirían
determinar la temprana identificación del nivel respuesta a la terapia, con el objetivo de
personalizar los tratamientos para el GBM y así mejorar su eficacia, pues podría incrementar la
tasa de supervivencia. Actualmente, los pacientes diagnosticados con GBM reciben tratamiento
de quimioterapia y radioterapia, y en algunos casos incluye la resección quirúrgica del tumor.
Posterior al tratamiento, puede ocurrir remisión del tumor. Nuestro aporte radica en mejorar la
interpretación de los datos obtenidos en la fase de tratamiento, para ayudar a entender, de una
manera no invasiva, si los tumores están en respuesta a la terapia. Para ello estudiaremos la
composición química de las muestras revelando la información metabólica (biomarcadores)
(Horská & Barker, 2010), para profundizar en la investigación del GBM, uno de los tumores
cerebrales más agresivos y fatales en los humanos. La comparación de estos modelos y su
respectiva evaluación tendrán presente métricas relacionadas con estudios médicos, analizando
el desempeño de los modelos por medio de la especificidad de los resultados y así evaluar la
capacidad de discriminar los falsos negativos que se traduce en la falta de la detección
temprana de la enfermedad (Komori, 2022).
No hay comentarios en este titulo.