Predicción de respuesta a tratamientos oncológicos basada en el perfil genético mediante técnicas de Aprendizaje Automático (ML) e identificación de genes candidatos a biomarcador usando Técnicas de Explicabilidad (XAI) y Cuantificación de la Incertidumbre (UQ)
Summary
No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.
Summarise with VIRAT Free to try with your Science Catalogs account.Abstract
Este trabajo desarrolla un modelo de clasificación binaria para predecir la respuesta al tratamiento con 5-FU en pacientes oncológicos basándose en perfiles de expresión genética. Ante la necesidad de medicina personalizada y el cumplimiento de marcos legales como el AI Act y el RGPD, el estudio enfatiza aportar una comprensión más profunda de las predicciones: hasta qué punto el modelo está seguro de cada decisión y qué factores influyen en ella, mediante técnicas de explicabilidad (XAI) y cuantificación de la incertidumbre (UQ). Se utilizó la base de datos CTR-DB, consolidando 1889 muestras procesadas mediante el pipeline RMA. La metodología incluyó una reducción de dimensionalidad basada en: varianza, Genes Expresados Diferencialmente (DEG) y Clustering; seleccionando finalmente 17 genes predictores. Se evaluaron modelos clasificadores de Regresión Logística, Random Forest, XGBoost y CatBoost, optimizados mediante búsqueda de hiperparámetros con Optuna. CatBoost fue seleccionado como el modelo óptimo, alcanzando un F1-score de 0.66 y un ROC-AUC de 0.77. La fiabilidad de las predicciones se estimó con el calibrador Venn-Abers, que permitió analizar la distribución de la incertidumbre a partir de las probabilidades conformes. El análisis de explicabilidad con SHAP, PFI y DiCE permitió distinguir señales espurias e identificar a MAD2L1 y RSU1 como los candidatos que más información aportan como biomarcadores. Aunque el rendimiento es modesto para la práctica asistencial, el documento concluye que la integración de XAI y UQ establece una base sólida para el desarrollo de herramientas de IA confiable que apoyen la decisión clínica.
Fields of Study & Subjects
Gene expression and cancer classification
Breast Cancer Treatment Studies
Computational Drug Discovery Methods
Publication details
- Journal / source
- O2 - Repositori Institucional (Universitat Oberta de Catalunya)
- Publication date
- 11 January 2026
- Language
- ES
- Document type
- Thesis