Development of Multimodal Deep Learning
Models for Survival Prediction in Patients
with Gliomas

Αλεξίου, Άννα; Alexiou, Anna

dc.contributor.author	Αλεξίου, Άννα	el
dc.contributor.author	Alexiou, Anna	en
dc.date.accessioned	2026-03-03T07:16:55Z
dc.date.available	2026-03-03T07:16:55Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/63696
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.31391
dc.rights	Default License
dc.subject	Καρκίνος Εγκεφάλου	en
dc.subject	Πρόβλεψη Επιβίωσης	el
dc.subject	Γλοίωμα	el
dc.subject	Ιστοπαθολογία	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Brain Cancer	en
dc.subject	Glioma	en
dc.subject	Survival Prediction	en
dc.subject	Histopathology	en
dc.subject	Deep Learning	en
dc.title	Development of Multimodal Deep Learning Models for Survival Prediction in Patients with Gliomas	en
heal.type	bachelorThesis
heal.classification	Division of Information Transmission Systems and Material Technology	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-07-04
heal.abstract	Ο καρκίνος του εγκεφάλου παραμένει μία από τις πιο επιθετικές και θανατηφόρες μορφές κακοήθειας, με σημαντική ετερογένεια και ελλιπή πρόγνωση. Η αξιόπιστη πρόβλεψη της επι- βίωσης είναι κρίσιμη για τον σχεδιασμό εξατομικευμένης θεραπείας και τη βελτιστοποίηση της λήψης κλινικών αποφάσεων. Στην παρούσα εργασία προτείνεται ένα πλαίσιο βασισμένο στη βαθιά μάθηση, το οποίο ενσωματώνει ιστοπαθολογικές εικόνες και RNA sequencing δεδομένα, με στόχο την πρόβλεψη επιβίωσης σε ασθενείς με γλοιώματα διαφόρων βαθμών. Το σύνολο δεδομένων αντλήθηκε από τον Καρκινικό Γονιδιωματικό ΄Ατλαντα (TCGA) και περιλάμβανε περιπτώσεις γλοιοβλαστώματος και γλοιώματος χαμηλότερου βαθμού. Αφού εφαρμόστηκαν τε- χνικές προεπεξεργασίας, χρησιμοποιήθηκε το μοντέλο DeepSurv για την πρόβλεψη του χρόνου επιβίωσης. Το συνδυασμένο μοντέλο ενσωματώνει και τα δύο είδη δεδομένων και επέδειξε ανώτερη απόδοση από τα μονοτροπικά μοντέλα, όπως φάνηκε μέσω του δείκτη συμφωνίας (Cindex), επιτυγχάνοντας τιμή 0.91, έναντι 0.80 (μόνο εικόνες) και 0.89 (μόνο γονιδιακά δε- δομένα). Επιπλέον, χρησιμοποιήθηκε η μέθοδος SurvLIME για την ερμηνεία των προβλέψεων, αναδεικνύοντας σημαντικά γονίδια και μονοπάτια που σχετίζονται με την πρόγνωση. Τα αποτε- λέσματα δείχνουν ότι ο συνδυασμός ετερογενών βιοϊατρικών δεδομένων με επεξηγήσιμα μοντέλα βαθιάς μάθησης ενισχύει την πρόβλεψη επιβίωσης και την υποστήριξη κλινικών αποφάσεων για ασθενείς με κακοήθεις εγκεφαλικούς όγκους.	el
heal.abstract	Abstract Brain cancer remains one of the most aggressive and lethal forms of cancer, with lim- ited prognosis and high inter-patient variability. Reliable survival prediction is essential for personalized treatment planning and improved clinical decision-making. In this thesis, we present a deep learning-based framework that integrates histopathological whole-slide images (WSIs) and RNA-sequencing (RNA-seq) data to predict survival in patients with gliomas of varying grades. The dataset was derived from The Cancer Genome Atlas (TCGA) and included both glioblastoma and lower-grade glioma cases. For each data modality, we devel- oped specialized preprocessing pipelines: patch-level feature extraction and attention-based aggregation for WSIs, and TPM normalization with dimensionality reduction for RNA-seq data. Deep autoencoders were used to compress each modality into a low-dimensional la- tent space, and the resulting representations were input to the DeepSurv model for survival prediction. The fused model, which fuses image- and gene-based features, achieved superior performance compared to unimodal models, as measured by concordance index (C-index), achieving a score of 0.91, compared to 0.80 for the image-only model and 0.89 for the RNA-sequencing based model. We further employed SurvLIME to interpret the model’s predictions, offering insights into biologically relevant genes and pathways associated with survival. Overall, this work demonstrates the value of multimodal data integration and explainable AI techniques for risk stratification in brain tumor patients	en
heal.advisorName	Nikita, Konstantina
heal.committeeMemberName	Nikita, Konstantina
heal.committeeMemberName	Stamou, Giorgos
heal.committeeMemberName	Voulodimos, Athanasios
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	115
heal.fullTextAvailability	false