Ingeniería Biomédica

Permanent URI for this collection

https://vitela.javerianacali.edu.co/handle/11522/3839

Browse

Browsing Ingeniería Biomédica by Subject "Aprendizaje profundo"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Desarrollo de un sistema predictivo para el apoyo en el diagnóstico temprano de la enfermedad de Alzheimer mediante inteligencia artificial y estudios PET
    (Pontificia Universidad Javeriana Cali, 2025) Bolaños Aldana, Alejandra; Castillo Estacio, Nicoll Dayana; Vargas Cardona, Hernán Darío
    La enfermedad de Alzheimer constituye la principal causa de demencia a nivel mundial, afectando a más de 55 millones de personas. No obstante, su diagnóstico temprano continúa siendo un desafío clínico relevante, dado que los métodos convencionales suelen identificar la enfermedad en fases avanzadas, cuando las alternativas terapéuticas son limitadas. En este contexto, el presente trabajo desarrolló un sistema predictivo orientado al apoyo en el diagnóstico temprano de la enfermedad de Alzheimer mediante el uso de inteligencia artificial aplicada a estudios de tomografía por emisión de positrones (PET). El objetivo principal consistió en integrar técnicas de aprendizaje profundo y aprendizaje automático para la clasificación de pacientes en tres categorías diagnósticas: cognitivamente normal, deterioro cognitivo leve y enfermedad de Alzheimer. La metodología se fundamentó en el uso de datos del repositorio público ADNI, incorporando un total de 5,673 imágenes PET adquiridas con diferentes radiofármacos, así como 4,617 registros clínicos que incluyen variables sociodemográficas, cognitivas y genéticas. Para el análisis de neuroimagen, se implementaron y compararon tres arquitecturas de redes neuronales convolucionales tridimensionales: ResNet3D, un enfoque de transfer learning basado en ResNet10-3D preentrenado y la arquitectura VoxCNN3D. De manera complementaria, se evaluaron modelos clásicos de aprendizaje automático aplicados a datos tabulares, específicamente K-Nearest Neighbors, Naive Bayes y Random Forest. Adicionalmente, se desarrolló un modelo híbrido que integró las representaciones profundas extraídas por ResNet10-3D con variables clínicas procesadas mediante Random Forest, con el fin de aprovechar información multimodal. Los resultados evidenciaron que el modelo híbrido alcanzó el mejor desempeño global, logrando una exactitud del 77.12% en el conjunto de prueba, superando de manera significativa a los modelos individuales. En particular, el sistema obtuvo una precisión del 100% para la clase Alzheimer, un recall del 94.92% para la clase de controles normales y métricas balanceadas para la categoría de deterioro cognitivo leve, lo que refleja una adecuada capacidad discriminativa. Como parte del desarrollo tecnológico, se implementó una interfaz gráfica funcional mediante Gradio, la cual permite la carga de estudios PET, la captura de información clínica, la visualización multiplanar de las neuroimágenes y la generación automática de reportes diagnósticos en formatos TXT y PDF. En conclusión, este trabajo demuestra que la integración multimodal de neuroimagen funcional y datos clínicos, mediante técnicas avanzadas de inteligencia artificial, mejora de forma sustancial el desempeño diagnóstico frente a enfoques unimodales. El sistema propuesto se perfila como una herramienta prometedora de apoyo al diagnóstico clínico, con potencial para fortalecer la detección temprana y la estratificación de pacientes dentro del espectro del deterioro cognitivo.
  • Thumbnail Image
    Item
    Sistema de soporte al diagnóstico no invasivo de ictericia neonatal en Colombia: un enfoque desde la visión por computador
    (Pontificia Universidad Javeriana Cali, 2025) Salazar Barney, Camilo; Ruiz Ortiz, Angélica María; Torres Valencia, Cristian Alejandro
    La ictericia neonatal es una de las condiciones clínicas más comunes durante los primeros días de vida y su identificación temprana es fundamental para evitar complicaciones asociadas a niveles elevados de bilirrubina. En muchos entornos de atención en salud, en especial aquellos con recursos limitados, el diagnóstico continúa dependiendo de métodos invasivos o evaluaciones visuales sujetas a variabilidad, lo que puede prolongar los tiempos de respuesta y limitar la oportunidad del tratamiento. Este proyecto se desarrolló con el propósito de explorar una alternativa no invasiva basada en el procesamiento digital de imágenes y en la aplicación de modelos de aprendizaje profundo para apoyar la detección de ictericia neonatal y estimar la concentración aproximada de bilirrubina a partir de fotografías neonatales. El alcance del estudio se centró al análisis del conjunto de imágenes y datos presentes en la base de datos de acceso abierto NeoJaundice y no incluyó la validación clínica directa en instituciones de salud. La metodología aplicada se dividió en cuatro etapas. En primer lugar, se realizó un análisis de las imágenes disponibles, determinando las características cromáticas y variaciones relevantes para el diagnóstico. Posteriormente, se implementó un pipeline de preprocesamiento que incluyó normalización de color, segmentación de la región de interés y la generación de una máscara adaptativa orientada a resaltar tonalidades amarillentas. En la tercera etapa, se entrenaron modelos basados en redes neuronales convolucionales para las tareas de clasificación y regresión, ajustando parámetros para obtener predicciones compatibles con las etiquetas del conjunto de datos. Finalmente, se desarrolló una interfaz interactiva que permitiera realizar análisis individuales y por lotes, integrando así el flujo completo de etapas desarrolladas y facilitando la visualización detallada de los análisis realizados. Los resultados obtenidos muestran que el sistema propuesto logró procesar las imágenes del conjunto de datos de manera estable y generar predicciones coherentes con la información disponible, evidenciando que el enfoque planteado constituye una base sólida para avanzar hacia futuras evaluaciones en escenarios clínicos reales.