Tecnologías Específicas

Computación

Descripcion y Objetivos

Un embolismo pulmonar es causado por una obstrucción arterial en el pulmón, lo cual provoca que cada respiración sea tensa y dolorosa, pudiendo llegar a ser una afección muy grave y potencialmente mortal. Dado que su diagnóstico requiere de mucho tiempo, las técnicas de aprendizaje automático podrían ayudar a identificarlos con mayor precisión, lo que lograría que los tratamientos de los pacientes fuesen más efectivos.

En este trabajo fin de grado vamos a abordar el problema mediante el desarrollo de modelos de aprendizaje automático capaces de detectar embolismos pulmonares a través de angiografías tomadas por tomografías computarizadas. Los datos que se van a usar provienen de la Radiological Society of North America (RSNA) y Society of Thoratic Radiology (STR). La misión de estas organizaciones es promover el análisis informático de imágenes médicas a través de la educación, investigación e innovación multidisciplinar. Actualmente estos datos están disponibles en la plataforma Kaggle ( https://www.kaggle.com/competitions/rsna-str-pulmonary-embolism-detection/overview ).

El objetivo de este trabajo fin de grado es estudiar el problema y proporcionar distintas soluciones al mismo, comparándolas desde un punto de vista formal (validación). Además, se proporcionará una aplicación software para realizar predicciones online. Con este fin planteamos los siguientes subobjetivos:

• Realizar un estudio de los datos disponibles (imágenes), realizando las transformaciones necesarias sobre los datos de entrada para poder abordar la tarea correspondiente (detección de embolismos pulmonares).
• Definir las distintas estrategias de predicción, abordando desde técnicas de deep learning a métodos clásicos de aprendizaje automático.
• Integrar el modelo de aprendizaje automático en una aplicación online para detectar embolismos pulmonares.

 

 

 

Metodología y Competencias

Metodología

1. Revisar el contexto del problema y la literatura disponible.
2. Realizar un análisis exploratorio de los datos existentes.
3. Sobre la partición de datos de entrenamiento, diseñar procesos de minería de datos centrados en:
   • Validación de los modelos obtenidos.
   • Identificación de los algoritmos de minería de datos que mejor encajen en el problema objetivo.
   • Preprocesamiento de datos (selección de variables, construcción de variables, etc.).
   • Iterar refinando los pasos anteriores hasta determinar uno o varios modelos exitosos.
4. Documentar todo el proceso anterior para que sea reproducible.
5. Estimar la bondad de los modelos finales sobre el conjunto de datos de prueba reservado a tal efecto.
6. Integrar los modelos finales en una aplicación web.
7. Redactar la memoria.

Competencias

Se trabajarán principalmente (en distinto grado) las siguientes competencias específicas de la tecnología de computación:

• Capacidad para evaluar la complejidad computacional de un problema, conocer estrategias algorítmicas que puedan conducir a su resolución y recomendar, desarrollar e implementar aquella que garantice el mejor rendimiento de acuerdo con los requisitos establecidos.
• Capacidad para conocer los fundamentos, paradigmas y técnicas propias de los sistemas inteligentes y analizar, diseñar y construir sistemas, servicios y aplicaciones informáticas que utilicen dichas técnicas en cualquier ámbito de aplicación.
• Capacidad para adquirir, obtener, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación, percepción y actuación en ambientes entornos inteligentes.
• Capacidad para conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos.

 

 

Medios a utilizar

Ordenadores personales, compiladores y entornos de programación. Servicios de tarjetas gráficas para el entrenamiento e inferencia de redes neuronales profundas. Todo disponible en la ESIIAB, I3A o mediante servicios en la nube.

 

 

Bibliografía

Libros y manuales de inteligencia artificial y aprendizaje automático. Libros y manuales de lenguajes de programación y librerías específicas de aprendizaje automático. Todo disponible en la ESIIAB o internet.