20.500.12556/RUL-187013 Modeliranje prognoze bolnikov s primarnim možganskim rakom četrte stopnje Modelling the prognosis of patients with stage four primary brain cancer Gliomi so najpogostejši primarni tumorji centralnega živčnega sistema in med njimi so glioblastomi, najbolj agresivna stopnja. Po klasifikaciji Svetovne zdravstvene organizacije (WHO) glioblastome uvrščajo med gliome stopnje IV. Namen te magistrske naloge je na podlagi podatkov, ki jih je zbral projekt Trans-Glioma, analizirati dejavnike, ki vplivajo na preživetje bolnikov z diagnozo glioblastoma. Ključni poudarek naloge je predvsem na interpretabilnosti, saj nas bolj kot prihodnja uporaba teh modelov zanimajo povezave med preživetjem ter napovednimi spremenljivkami. Nalogo začnemo s teoretičnim uvodom o gliomih ter specifično o glioblastomih. Opišemo zgodovinski razvoj klasifikacijskih metod in opišemo biološko ozadje, vključno z vlogo genetskih predispozicij. V nalogu preverimo tudi vpliv izražanja določenih genov na preživetje. V nalogi predstavimo teoretično ozadje statističnih metod in metod strojnega učenja, ki postavljajo okvir za kasnejšo analizo podatkov. Poglobimo se v različne statistične tehnike in tehnike strojnega učenja, kot so logistična regresija, naivni bayes, naključni gozdovi in XGBoost, pri čemer tudi izpostavimo njihove prednosti in omejitve v kontekstu klasifikacije enoletnega preživetja pacientov z diagnozo glioblastoma. Po teoretičnem uvodu nadaljujemo s predstavitvijo zbranih podatkov, ki jih spremlja statistična analiza in pomožni vizualni prikazi. Nato pojasnimo postopek statističnega modeliranja, pri katerem je najprej predstavljen nabor neodvisnih spremenljivk, ki mu sledi opis metodologije razvoja napovednih modelov z namenom klasifikacije enoletnega preživetja pri diagnozi glioblastoma. V predstavitev dela je vključena predhodna obdelavo podatkov, priprava modelov in načina implementacije. Na koncu sledi analiza rezultatov, pri čemer primerjamo metrike natančnosti med modeli. Metrike, ki jih primerjamo so klasifikacijska točnost, priklic, natančnost in vrednost F1 ter sama porazdelitev pomembnosti napovednih spremenljivk med modeli. Ugotovimo, da je bolnikova starost zelo pomemben indikator preživetja, prav tako to trdimo za mutacijo spremembe v receptorju epidermalnega rastnega faktorja (EGFR). Pri različnih genih (ASCBG1, CCR5, CD9, STAT3, etc.) preverimo ali njihovo izražanje vpliva na preživetje in ugotovimo, da ima izražanje znaten vpliv v napovedih. Kot najpomembnejše izpostavimo izražanje genov CD9, S100A4, STAT3 ter STMN4. Ugotovitve te raziskave prispevajo k globljemu razumevanju glioblastomov in potencialni uporabi statističnih tehnik in tehnik strojnega učenja pri klasifikaciji enoletnega oz. poljubnega preživetja. Gliomas are the most common primary tumor of the central nervous system, and glioblastomas are the IV. and most aggresive stage. The purpose of this master's thesis is to analyze the factors that influence the survival of patients diagnosed with glioblastoma, based on a given data set collected by the Trans-Glioma project. The key focus of this task is primarily interpretability since we are more interested in the connections between survival itself and the predictive variables rather than the actual use of these models in the future. We begin the thesis with a theoretical introduction about gliomas and specifically about glioblastomas. We describe the historical development of classification methods and explain the biological background, including the role of genetic predispositions. We also check the influence of the expression of certain genes on survival. We continue with a theoretical background of statistical and machine learning methods which set the framework for subsequent data analysis. In the thesis we look into various statistical and machine learning techniques such as logistic regression, naive Bayes, random forests, and XGBoost highlighting their strengths and limitations in the context of one-year survival classification with a glioblastoma diagnosis. After the theoretical presentation we continue with the presentation of the collected data, accompanied by statistical analysis and auxiliary visual displays. We explain the statistical modeling procedure, first presenting the set of independent variables and then describing the methodology itself used to develop predictive models for classifying one-year survival at diagnosis of glioblastoma. This includes data preprocessing, model preparation, and the implementation method nested within this task is 10-fold cross-validation. We conclude with an analysis of the results by comparing accuracy metrics such as precision, recall, precision, and F1-value between the models, as well as the distribution of the importance of the predictor variables between the models. We find that the patient's age is a very important indicator of survival, and we also claim this for the epidermal growth factor receptor (EGFR) mutation. In the case of various genes (ASCBG1, CCR5, CD9, STAT3, etc.), we check whether their expression affects survival, and we find that expression has a significant impact on predictions. We highlight the expression of the CD9, S100A4, STAT3 and STMN4 genes as the most important. The findings of this research contribute to a deeper understanding of glioblastomas and the potential use of statistical and machine learning techniques in the classification of one-year or any survival. Gliomi glioblastomi preživetje strojno učenje napoved Glioma glioblastoma survival machine learning forecast true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2026-09-08 10:15:04 2026-09-08 10:15:10 2026-09-18 10:24:45 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 61113 291574275 Kosuta_Andraz_-_Modeliranje_prognoze_bolnikov_s_primarnim_mozganskim_rakom_cetrte_stopnje.pdf Kosuta_Andraz_-_Modeliranje_prognoze_bolnikov_s_primarnim_mozganskim_rakom_cetrte_stopnje.pdf 1 15FB9AB4B4B680F176821B0445069522 167c616762edbc9c980139a7c79baf815a52c25c03c933eaffa90959eca6b760 68dbf576-ab5d-11f1-8bc5-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=246438 Fakulteta za elektrotehniko 0 0 0