Desarrollo de un software para el análisis de patrones microscópicos de crecimiento tumoral en pacientes con carcinoma vesical músculo-invasivo

Abstract

[ES] El motivo de la elección de este trabajo es un tipo de enfermedad que supone la segunda causa de muerte en el mundo: el cáncer. Más concretamente el cáncer de vejiga. Nuestro objetivo es reducir la dificultad para detectarlo y tratarlo. Existen diversos métodos de detección de esta enfermedad, pero para elegir correctamente el tratamiento más adecuado sería de gran utilidad desarrollar un software para el análisis de patrones microscópicos de crecimiento tumoral en pacientes con carcinoma vesical músculoinvasivo. Este software está basado en el estudio del “tumor budding”, que constituye un valor pronóstico prometedor para la determinación del crecimiento tumoral, y la creación de una base de datos que nos sirva como muestras de entrenamiento para el desarrollo de nuestro clasificador. Para crear el software, a partir de unas muestras se ha llevado a cabo el algoritmo clasificador por análisis del color, con el fin de validar las muestras. A continuación, se reduce la dimensión que presenta cada muestra, bajando su resolución y después aplicando el análisis de las componentes principales (PCA). Seguidamente, hay que aplicar el algoritmo clasificador por k vecinos más cercanos y comprobaremos la robustez de nuestra aplicación mediante validación cruzada. Finalmente, se procede a la creación de la interfaz basada en las GUIDE de Matlab, que gracias a los parámetros establecidos en los ensayos, ha supuesto una primera aproximación a la aplicación de este tipo de sistemas en el estudio del cáncer.

[CA] El motiu de l’elecció d’aquest treball és un tipus de malaltia que suposa la segona causa de mort en el món: el càncer. Més concretament el càncer de bufeta. El nostre objectiu és reduir la dificultat per a detectar-lo i tractar-lo. Existeixen diversitat de mètodes de detecció d’aquesta malaltia, però per a escollir correctament el tractament més adequat seria de gran utilitat desenvolupar un software per a l’anàlisi de patrons microscòpics de creixement tumoral en pacients amb carcinoma vesical múscul-invasiu. Aquest software està basat en l’estudi del “tumor budding”, que constitueix un valor pronòstic prometedor per a la determinació del creixement tumoral, i la creació d’una base de dades que ens siga útil com a mostres d’entrenament per al desenvolupament del nostre classificador. Per a crear el software, a partir d’unes mostres s’ha dut a terme l’algorisme classificador per l’anàlisi del color amb la finalitat de validar les mostres. A continuació, es redueix la dimensió que presenta cada mostra, baixant la seua resolució i després aplicant l’anàlisi de les components principals (PCA). Seguidament, cal aplicar l’algoritme classificador per k veïns més propers i podrem comprovar la robustesa de la nostra aplicació mitjançant validació creuada. Finalment, es procedeix a la creació de la interfície basada en les GUIDE de Matlab, que gràcies als paràmetres establerts en els assajos, ha suposat una primera aproximació a l’aplicació d’aquest tipus de sistemes en l’estudi del càncer .

[EN] The reason for choosing this work is a type of disease which is the second cause of death in the world: cancer. More specifically the bladder cancer. Our goal is to reduce the difficulty in detecting and treating it. There are several methods of detecting this disease, but to correctly choose the most appropriate treatment it would be very useful to develop a software for the analysis of microscopic patterns of tumor growth in patients with muscle-invasive bladder carcinoma. This software is based on the study of "tumor budding", that constitutes a promising prognostic value for the determination of tumor growth, and the creation of a database, which would serve as training samples for the development of our classifier. To create the software, from some samples a sorting algorithm for color analysis was employed, in order to validate the samples. Then, the dimension of each sample was reduced by lowering its resolution and then applying the Principal Component Analysis (PCA). Then, we must apply the classifier algorithm for k nearest neighbors and we will check the robustness of our application through cross validation. Finally, we proceeded to create an interface based on the Matlab GUIDE, which thanks to the parameters established in the trials, has provided a first approach to the application of this type of system in the study of cancer.