Pronóstico de resección y esperanza de vida en glioblastoma mediante Machine Learning

Abstract

El glioblastoma es un tipo de cáncer cerebral que resulta en una alta tasa de mortalidad y presenta variabilidad en las respuestas al tratamiento. La resección del tumor es una de las opciones terapéuticas principales, aunque su eficacia puede variar entre pacientes. El presente estudio busca explorar esta variabilidad a través de modelos de aprendizaje automático, utilizando un conjunto de datos clínicos que incluye información sobre el volumen del tumor y otras posibles afecciones derivadas de este mismo. Estos modelos de aprendizaje automático, desarrollados utilizando la librería de sklearn, tienen como objetivo clasificar entre resección positiva o no y generar un pronóstico de la esperanza de vida. Se empleó una búsqueda en cuadrícula para la optimización de hiperparámetros y validación cruzada para la robustez del modelo. Los resultados mostraron que los modelos de aprendizaje automático fueron capaces de generar clasificaciones de calidad para determinar la presencia de resección positiva. Sin embargo, la precisión en la generación de pronósticos de esperanza de vida no alcanzó un nivel satisfactorio. Este trabajo demuestra la utilidad de las técnicas de aprendizaje automático en la interpretación de datos clínicos y en la toma de decisiones terapéuticas en glioblastoma, aunque también revela limitaciones que deben ser superadas para mejorar la precisión de los pronósticos.

Glioblastoma is a type of brain cancer resulting in a high mortality rate and presents variability in treatment responses. Tumour resection is a main therapeutic option, although its effectiveness may vary among patients. This study aims to explore this variability through machine learning models, using a clinical dataset that includes information about the tumour volume and the involvement of the corpus callosum, among other factors. These machine learning models, developed using the sklearn libraries, aim to classify between positive resection or not and to generate a life expectancy prognosis. A grid search was used for hyperparameter optimization and cross-validation for model robustness. The results showed that machine learning models were able to generate quality classifications to determine the presence of positive resection. However, accuracy in generating life expectancy forecasts did not reach a satisfactory level. This work demonstrates the utility of machine learning techniques in interpreting clinical data and in making therapeutic decisions in glioblastoma, but it also reveals limitations that need to be overcome to improve the accuracy of the forecasts.