{
  "fetched_at": "2026-10-20T02:56:44Z",
  "source_url": "https://www.kaggle.com/competitions/glioma-radiomics/data",
  "pages": [
    {
      "name": "rules",
      "content": "This is a page where you can include rules that participants must accept before joining. You may wish to include rules like:\n\n - Don't cheat!\n - Apply yourself!\n - Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "data-description",
      "content": "\n<h2>File descriptions</h2>\n\nThe task for this competition is to predict mutation for the test set, using models trained on the training set. Both test and training set have 640 radiomic features (columns in the CSV). \n<ul>\n<li><strong>train.csv</strong> - training set, consisting of 105 samples. The first column is the ID for the sample. There are 640 columns corresponding to 640 radiomic features. The last column is the ground truth (binary value for Mutacion)</li>\n<li><strong>test.csv</strong> -test set, consisting of 44 samples. The first column is the ID of the patient. No ground truth is informed. To win the task you should obtain the highest accuracy for prediction of the Mutacion binary value in these test samples. </li>\n<li><strong>example-submission.csv</strong> example of a solution file, that should contain 44 rows corresponding to the 44 test samples, and two columns per row: the patient ID as it appears in test.csv and its predicted Mutation value (0 or 1)\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "<p>La radiómica es un campo de estudio médico que busca extraer características cuantitativas de imágenes médicas, convirtiendo las imágenes en datos minables y aplicando el análisis de estos datos para brindar soporte a la decisión clínica. De la misma forma que la genómica o la proteómica, este campo de la medicina de precisión busca encontrar patrones explicativos en sets de gran cantidad de datos. Se contrapone a la práctica tradicional de tratar las imágenes médicas como meras imágenes demostrativas destinadas únicamente a interpretación visual. La radiómica contiene estadística de primer, segundo y alto orden, que combinados con datos clínicos del paciente pueden generar modelos que potencialmente podrían mejorar la precisión diagnóstica, prognóstico y predictiva.</p>\n![Flujo de trabajo para el uso de características radiómicas][1]\n<p>La radiómica ha demostrado un buen desempeño en otros tipos de cáncer, especialmente de cerebro y de próstata, ya que son patologías de alta prevalencia y para las que se cuenta con sets de imágenes de gran tamaño. El pipeline de radiomics consiste en la adquisición de imagen, la segmentación de la región de interés, un posible preprocesamiento de la imagen (filtrado, resampleo, padding, cropping, entr otros) y finalmente la extracción de los \"radiomic features\". Para Python existe el paquete pyradiomics que explica cómo configurar este proceso en su documentación.</p>\n<p>El dataset TCGA-LGG es un dataset público que combina información genética del Cancer Genome Archive (TCGA) con imágenes de resonancia magnética de cerebro del Cancer Imaging Archive (TCIA) , pertenecientes a pacientes diagnosticados con glioma de bajo grado (Low Grade Glioma). Este tipo de tumor puede estar asociado a una mutación genética, en cuyo caso el tratamiento será diferente. Es de interés poder predecir esta mutación ya que el análisis genómico es muy costoso.</p>\n<h2>Descripción del dataset de la competencia</h2>\n<p>Para esta competencia tenemos 640 características radiómicas, extraídas de las segmentaciones de cada paciente (región de interés tumoral). La descripción de las características es el nombre en la primera fila. </p>\n<p> El objetivo es predecir la mutación del gen 1p19q. Para el dataset de entrenamiento (train.csv) se informa en la última columna, llamada 'Mutación', si existe o no esta mutación. El modelo debe entrenarse para clasificar estos dos sets (0: gen no mutado, 1:gen mutado) utilizando las 640 características radiómicas. \n</p><h2>Agradecimientos</h2>\n<p>Agradecemos a TGCA y TCIA por el dataset de resonancias magnéticas.</p>\n\n\n  [1]: https://raw.githubusercontent.com/rn-2019-itba/Clase-7--Regularizacion/master/radiomics.jpg",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "To win the task you should obtain the highest accuracy for prediction of gene mutation in the test samples. This value will be calculated as the correct predictions over the amount of test samples.\n\nThe submission file should be a CSV file with a header and each row corresponding to one test sample. Each row should have two columns: the sample ID and the predicted binary value for mutation in the sample.\n\n    patientID,Mutacion\n    test0,0\n    test1,1\n ",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}