Napovedovanje časa do progresije multiple skleroze

KUMPERŠČAK, GAL (avtor), Špiclin, Žiga (mentor)

Magistrsko delo obravnava napovedovanje časa do potrjene progresije multiple skleroze (MS) na podlagi morfometričnih značilnic, izračunanih iz magnetnoresonančnih (MR) slik glave. Za razliko od večine dosedanjih pristopov, ki progresijo obravnavajo kot dihotomni izid v vnaprej določenem časovnem oknu, je problem zastavljen kot analiza preživetja na ravni posameznega obiska (ang. per-visit), pri kateri vsaka MR meritev predstavlja samostojno opazovanje z lastnim časom do dogodka. Uporabljeni so podatki študije AI ProMiS: 166 bolnikov s skupno 612 MR obiski iz treh slovenskih kliničnih centrov, pri čemer je bila progresija po kriteriju CDP-6 zabeležena pri 9,5 % obiskov. Iz volumetričnih meritev možganskih struktur je sestavljenih sedem naborov značilnic (volumni, asimetrija med hemisferama, z-indeks), nad vsakim pa so izvedene štiri časovne transformacije (direktne vrednosti, razlika, naklon in analiza glavnih komponent). Na tako pridobljenih 28 podatkovnih zbirkah so primerjani naključni preživetveni gozdovi (RSF), preživetvena metoda podpornih vektorjev in štirje modeli globokega učenja iz knjižnice PyCox, kot referenca pa še klasični naključni gozd in Coxov model sorazmernih ogroženosti. Najbolje se je odrezal model RSF na naboru z-indeksov s transformacijo naklona, ki je v 5-kratni križni validaciji dosegel C-indeks 0,634 ± 0,077, na zunanji zadržani množici iz drugega kliničnega centra pa 0,689; časovno odvisni AUROC ostaja med 0,66 in 0,69 pri horizontih od 24 do 60 mesecev. Napovedi so pojasnjene z metodama Bellatrex za lokalne razlage in SHAP za globalno oceno pomembnosti značilnic. Obe metodi med najpomembnejše napovednike uvrščata morfometrične značilnice — asimetrije kortikalnih regij, volumne kortikalnih girusov in četrto možgansko votlino — pred demografskimi in kliničnimi spremenljivkami. Rezultati kažejo, da je čas do progresije MS mogoče modelirati iz MR značilnic tudi pri razmeroma majhni kohorti; glavna omejitev ostaja majhno število primerov.

• Jezik: Slovenski jezik
• Ključne besede: Multipla skleroza, napovedovanje progresije, magnetno resonančno slikanje, preživetvena analiza, naključni preživetveni gozdovi, strojno učenje, razložljivost modelov
• Vrsta gradiva: Magistrsko delo/naloga
• Organizacija: FE - Fakulteta za elektrotehniko
• Leto izida: 2026
• PID: 20.500.12556/RUL-186151
• Datum objave v RUL: 27.08.2026

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Predicting time to progression in multiple sclerosis

Izvleček

This master's thesis addresses the prediction of time to confirmed disease progression in multiple sclerosis (MS) on the basis of morphometric features computed from magnetic resonance (MR) images of the head. Unlike most existing approaches, which treat progression as a dichotomous outcome within a predetermined time window, the problem is formulated as a survival analysis at the level of the individual visit (per-visit), in which each MR measurement constitutes an independent observation with its own time to event. The data come from the AI ProMiS study: 166 patients with a total of 612 MR visits from three Slovenian clinical centres, with progression according to the CDP-6 criterion recorded at 9.5 % of visits. From volumetric measurements of brain structures, seven feature sets were assembled (volumes, inter-hemispheric asymmetry, z-index), and four temporal transformations were applied to each (raw values, difference, slope, and principal component analysis). On the 28 datasets thus obtained, random survival forests (RSF), the survival support vector machine, and four deep learning models from the PyCox library were compared, with a conventional random forest and the Cox proportional hazards model serving as references. The best performance was achieved by the RSF model on the slope-transformed z-index feature set, which reached a C-index of 0.634 ± 0.077 in 5-fold cross-validation and 0.689 on an external hold-out set from a different clinical centre; the time-dependent AUROC remains between 0.66 and 0.69 for horizons from 24 to 60 months. The predictions are explained using Bellatrex for local explanations and SHAP for a global assessment of feature importance. Both methods rank morphometric features — asymmetries of cortical regions, volumes of cortical gyri, and the fourth ventricle — ahead of demographic and clinical variables among the most important predictors. The results show that the time to MS progression can be modelled from MR features even in a relatively small cohort; the principal limitation remains the small number of cases.

• Ključne besede: Multiple sclerosis, disease progression prediction, magnetic resonance imaging, survival analysis, random survival forests, machine learning, model interpretability