Meritxell ARENAS PRAT, Victor HERNANDEZ MASGRAU

-

Caracterización tumoral del cáncer de mama mediante machine learning: modelo multimodal basado en datos clínicos, biomarcadores inflamatorios e imagen mamográfica

Disposem d’una col·lecció de 241 pacients amb càncer de mama tractats amb radioteràpia a l’Hospital Universitari Sant Joan de Reus en el marc de l’estudi RADIOPON. Les dades originals, distribuïdes en dos arxius Excel amb 180 variables, inclouen informació clínica, anatomopatològica, analítica i biomarcadors inflamatoris i metabòlics mesurats en el moment del diagnòstic, així com un seguiment actualitzat fins a l’any 2025 (màxim 12,8 anys). Les variables objectiu són el subtipus molecular del tumor (Luminal A, Luminal B, HER2+ i Triple Negatiu) i el grau histològic d’agressivitat (Grau I, II i III). El projecte s’estructura en tres fases. La primera, ja iniciada, comprèn el preprocessament complet de les dades —integració dels dos datasets, eliminació de variables per criteris metodològics justificats i imputació de valors faltants—, un anàlisi exploratori exhaustiu (EDA) amb visualitzacions, corbes de Kaplan-Meier i anàlisi de supervivència, i l’entrenament i comparació de models de machine learning amb correccions del desequilibri de classes i interpretabilitat via SHAP. La segona fase estendrà el projecte a la classificació d’imatges histològiques mitjançant xarxes neuronals convolucionals (CNN). Finalment, la tercera fase integrarà ambdues modalitats en un model híbrid multimodal, amb l’objectiu de promoure un sistema de suport al diagnòstic d’alta precisió i aplicabilitat clínica real. La principal aportació original d’aquest treball rau en la inclusió de biomarcadors de l’enzim paraoxonasa (PON1) i citoquines inflamatòries (IL-4, INF-gamma, CCL2) —poc explorats fins ara en models predictius de càncer de mama— combinats amb un seguiment real a llarg termini i una arquitectura multimodal que alinea el treball amb les tendències més actuals de l’oncologia de precisió. El desenvolupament es realitzarà en Python (Anaconda, Jupyter Notebook) amb les biblioteques pandas, scikit-learn, XGBoost, SHAP, lifelines i PyTorch, en col·laboració amb el Servei d’Oncologia Radioterapica de l’Hospital Universitari Sant Joan de Reus. Objectius 1. Desenvolupar models predictius basats en machine learning (Random Forest, XGBoost, SVM i MLP) per classificar el subtipus molecular (Luminal A/B, HER2+ i Triple Negatiu) i l’agressivitat histològica (Grau I, II i III) a partir de variables clíniques i biomarcadors. 2. Identificar les variables més rellevants mitjançant tècniques d’interpretabilitat (valors SHAP), avaluant especialment el paper predictiu dels biomarcadors de l’estudi RADIOPON (PON1, arilesterasa, IL-4, INF-gamma i CCL2). 3. Desenvolupar un model per a la classificació del subtipus molecular a partir d’imatges histològiques H&E. 4.Integrar els models clínic i d’imatge en un model híbrid multimodal i avaluar la millora en capacitat predictiva respecte als models individuals. 5.Valorar l’aplicabilitat clínica dels models com a sistema de suport a la decisió en oncologia de la mama.

05-MAI-2026

oncologia, biomarcadors, models predictius

-