Evaluación de desempeño y generalización en la detección de microcalcificaciones en diferentes poblaciones y sistemas de mamografía
Contexto del tema: La detección temprana de microcalcificaciones en mamografías es esencial para el diagnóstico oportuno del cáncer de mama, lo que a su vez puede aumentar significativamente las tasas de supervivencia de los pacientes. En este contexto, la inteligencia artificial (IA) ha demostrado un gran potencial para mejorar la precisión y eficiencia de la detección de microcalcificaciones. Sin embargo, es fundamental comprender cómo estos modelos de IA se comportan en diversas poblaciones y entornos clínicos para garantizar su efectividad en un contexto más amplio. El objetivo principal de esta tesis es investigar cómo los modelos de IA utilizados para la detección de microcalcificaciones en mamografías se desempeñan en diferentes poblaciones de pacientes y con diferentes sistemas de mamografía. Además, se busca desarrollar estrategias para adaptar estos modelos garantizando la generalización en entornos clínicos diversos. Se espera que esta investigación proporcione una comprensión más profunda de cómo los modelos de IA para la detección de microcalcificaciones se comportan en diferentes contextos clínicos y demográficos. Los resultados de esta tesis tendrán implicaciones directas en la mejora de la atención médica a nivel global al garantizar que los sistemas de IA utilizados en la detección de microcalcificaciones sean efectivos y equitativos en diferentes entornos clínicos y para diversos grupos de pacientes. Esto podría llevar a diagnósticos más precisos y oportunidades de tratamiento más efectivas para un espectro más amplio de la población.
Lista de actividades a realizar:
- Recopilación de Datos: Se recopilarán conjuntos de datos de mamografías de diversas poblaciones, teniendo en cuenta factores demográficos como la edad, el origen étnico y la historia clínica de los pacientes. Además, se considerarán imágenes de mamografías tomadas con diferentes sistemas de adquisición.
- Entrenamiento de Modelos de IA: Se emplearán redes neuronales convolucionales (CNNs) u otros modelos de IA para la detección de microcalcificaciones. Estos modelos se entrenarán utilizando los conjuntos de datos recopilados, y se ajustarán de acuerdo con las particularidades de cada grupo demográfico y sistema de mamografía.
- Evaluación de Desempeño: Se realizará una evaluación exhaustiva del desempeño de los modelos de IA en cada subgrupo demográfico y sistema de mamografía. Esto incluirá métricas de precisión, sensibilidad y especificidad, entre otras. Se compararán los resultados obtenidos para identificar posibles sesgos o limitaciones en la generalización.
- Desarrollo de Estrategias de Adaptación: En función de los resultados de la evaluación, se propondrán estrategias para adaptar los modelos de IA de manera efectiva. Esto podría incluir técnicas de transferencia de aprendizaje, ajuste fino y ajustes en la arquitectura de la red.
Beneficios:
- Proyecto con financiamiento CONAHCyT (financiado al 100 %).
- Desarrollo de habilidades de programación.
- Crédito en productividad científica que se desarrolle.
Profesor a cargo: Dr. Rafael Bayareh Mancilla
Número de alumnos: 1