Publicação
Non-invasive urologic tumours monitoring: data mining and machine learning algorithms for urine gas and liquid analysis
| datacite.subject.fos | Engenharia e Tecnologia::Outras Engenharias e Tecnologias | pt_PT |
| dc.contributor.advisor | Palma, Susana | |
| dc.contributor.advisor | Gamboa, Hugo | |
| dc.contributor.author | Fernandes, Susana | |
| dc.date.accessioned | 2023-12-13T16:03:01Z | |
| dc.date.embargo | 2026-09 | |
| dc.date.issued | 2023-11-28 | |
| dc.description.abstract | Bladder Cancer (BC) is one of the most common cancers, with Non-Muscle Invasive Bladder Cancer (NMIBC) accounting for the majority of its cases. This cancer has a high relapse rate leading to the need of frequent surveillance. BC monitoring entails frequent cystoscopy analyses, an invasive and painful procedure. This work aims to provide the basis to develop non-invasive and patient compliant urine-based tests for the follow-up of NMIBC patients. For this purpose, two approaches were investigated: (1) the olfaction-inspired analysis of urine gas phase using an e-nose prototype, and (2) the analysis of urine liquid phase using a standard spectroscopic method. Urine samples from previously-diagnosed NMIBC patients cystologically confirmed as relapse (n = 12) or no relapse (n = 12) patients were supplied by two national hospitals. Olfaction-inspired analysis of urine samples (2 mL) was performed with the e-nose prototypes developed in the Biomolecular Engineering Group of Faculdade de Ciências e Tecnologia (Universidade NOVA de Lisboa). During the first stage of signal analysis, environmental interference and sensor duplicates signal variability were identified. These key issues were successfully solved with the development of algorithms and validated with data analysis. Classification models for patient relapse discrimination showed limited predictive value, suggesting the need for significant sensor optimisation. Liquid analysis of small (5 µL) urine samples was performed using a spectroscopic method. This method coupled with a Partial Least Square-Discriminant Analysis (PLS-DA) model achieved 67% specificity and 75% sensitivity in distinguishing relapse from no relapse samples. This work provided critical findings regarding interference, drift and reproducibility issues of the e-nose signals and solved them, bringing inputs that changed the paradigm of data collection and pre-processing with the used e-nose. Furthermore, a promising alternative technique to predict the relapse condition of BC patients from a drop of urine was found, relying on the combination of a spectroscopic method and machine learning. | pt_PT |
| dc.description.abstract | O cancro da bexiga é um dos cancros mais comuns, sendo a sua maioria categorizada como Cancro da Bexiga Não-Músculo Invasivo (CBNMI). Este cancro tem uma alta taxa de recidiva, o que requer acompanhamento pós-cirúrgico. Atualmente, esse acompanhamento é feito por meio de cistoscopia, um procedimento invasivo e com custos elevados. Este trabalho tem como objetivo fornecer testes não invasivos para o acompanhamento de pacientes previamente diagnosticados com CBNMI. Para tal, foram avaliadas duas técnicas: (1) deteção gasosa com narizes eletrónicos e (2) análise líquida através de um método espectroscópico. Amostras de urina de pacientes com diagnóstico prévio de CBNMI cistologicamente confirmadas em: com recidiva (n = 12) e sem recidiva (n = 12) foram fornecidas por dois hospitais nacionais. A deteção gasosa de amostras de urina (2 mL) foi realizada com dois narizes eletrónicos desenvolvidos no laboratório de Engenharia Biomolecular da Faculdade de Ciências e Tecnologia (Universidade NOVA de Lisboa). Durante a fase inicial deste trabalho, foi verificado o impacto de interferências ambientais e sensores duplicados nos sinais adquiridos. Este assunto foi resolvido com sucesso através do desenvolvimento de algoritmos e validado com análise de dados. Os classificadores desenvolvidos para discriminação de pacientes por recidiva e não recidiva mostraram poder discriminatório limitado o que sugere a necessidade de otimização dos sensores. A análise líquida de pequenas (5 µL) amostras de urina através de uma técnica espectroscopia, em conjunto com o modelo análise discriminante dos mínimos quadrados parciais (PLS-DA) obteve boa discriminação de pacientes por recidiva e não recidiva, com especificidade de 67% e sensibilidade de 75%. Este trabalho permitiu descobertas críticas sobre o comportamento dos sinais adquiridos com o protótipo de nariz e-nose, trazendo contribuições cruciais para aplicações futuras. Além disso, foi explorada uma alternativa promissora para o acompanhamento de pacientes com CBNMI, utilizando uma combinação de um método espectroscópico e aprendizagem automática. | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10362/161210 | |
| dc.language.iso | eng | pt_PT |
| dc.relation | ERC- 2022-POC1, Grant agreement no. 101069405 | pt_PT |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | pt_PT |
| dc.subject | Bladder cancer | pt_PT |
| dc.subject | Urine | pt_PT |
| dc.subject | Electronic nose | pt_PT |
| dc.subject | Spectroscopy | pt_PT |
| dc.subject | Data analysis | pt_PT |
| dc.subject | Machine learning | pt_PT |
| dc.title | Non-invasive urologic tumours monitoring: data mining and machine learning algorithms for urine gas and liquid analysis | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | embargoedAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestre em Engenharia Biomédica | pt_PT |