Ingeniería de Sistemas y la Computación
Permanent URI for this collection
Browse
Browsing Ingeniería de Sistemas y la Computación by Subject "Aprendizaje de máquina"
Now showing 1 - 4 of 4
Results Per Page
Sort Options
Item Desarrollo e implementación de una estrategia integrativa para la detección de nuevos módulos genéticos y nuevos genes asociados al inicio y desarrollo del cáncer colorrectal(Pontificia Universidad Javeriana Cali, 2022) Arce Rentería, Juan David; Ibagon Rivera, Nicolas; Quimbaya Gómez, Mauricio Alberto; Sosa Arango, Chrystian CamiloEl advenimiento de las tecnologías ómicas, el desarrollo de técnicas computacionales basadas en el aprendizaje de máquina aplicado a sistemas biológicos y la integración de ambos paradigmas en modelos matemáticos, ha permitido avanzar en el entendimiento causal de enfermedades complejas como el cáncer. En este sentido, desde de una perspectiva sistémica, el uso de redes biológicas y la representación de sistemas moleculares como genes, proteínas y sus dinámicas de interacción, ha permitido realizar una aproximación a los sistemas biológicos desde la teoría de grafos. Desde esta perspectiva, en los ´últimos años se han desarrollado una gran variedad de estrategias, las cuales, desde la teoría de grafos, han contribuido al entendimiento del proceso deletéreo que conduce a la enfermedad y, equitativamente, a identificar nodos clave de la red los cuales podrían estar relacionados con diferentes tipos de enfermedades, como lo sería el cáncer. En el presente trabajo, integramos distintos tipos de información biológica asociada a la comprensión genética del origen y desarrollo de la enfermedad, acoplándola al mapa más detallado de interacción proteína proteína que existe. Posteriormente, realizamos análisis fundamentales sobre medidas clásicas de la topología de la red construida, que fueron ´útiles para identificar elementos claves de la red. Asignamos pesos a los nodos y a las aristas de la red según la información biológica, lo cual fue un procedimiento fundamental para priorizar elementos de la red (proteínas) asociadas al cáncer y específicamente al cáncer colorrectal. Con base en dicha información y con la red construida, implementamos algoritmos de modularidad para identificar comunidades específicas que pudieran estar específicamente asociadas al desarrollo de cáncer colorrectal, y finalmente implementamos algoritmos de caracterización de comunidades no sobre la partes y estrategias específicas de aprendizaje de máquina para encontrar potenciales proteínas asociadas al cáncer colorrectal.Item Identificación de radiografías patológicas y no patológicas mediante procesamiento digital de imágenes y técnicas de aprendizaje de máquina(Pontificia Universidad Javeriana Cali, 2022) Muñoz Díaz, Andrés Felipe; Vargas Cardona, Hernán DaríoEn el mundo, gran cantidad de personas padecen enfermedades respiratorias, las cuales pueden ser o no diagnosticadas. A causa del mal o tardío diagnóstico, se presentan gran cantidad de muertes al año, por lo cual es importante encontrar una manera viable que permita detectar las patologías prematuramente para así mismo poder dar tratamiento oportuno y no en etapas avanzadas de las enfermedades. Dado esto, este trabajo propone una metodología en lenguaje Python la cual permite identificar radiografías de tórax patológicas y no patológicas. Lo anterior se hace a partir de 3 etapas, la primera de pre-procesamiento de imágenes, en la que se realiza una limpieza de las imágenes diagnósticas y eliminación de ruido. La segunda una etapa de extracción de características discriminativas y una tercera etapa donde a partir de técnicas de aprendizaje de máquina para realizar la clasificación propuesta desde diferentes algoritmos.Item Modelo para la detección de cáncer de seno en imágenes histológicas a partir de aprendizaje profundo con múltiples anotadores(Pontificia Universidad Javeriana Cali, 2024) González Vélez, Juan Felipe; Buitrago Chávez, Jhoan Manuel; Gil González, JuliánEl cáncer de seno es el tipo de cáncer más común en mujeres, por lo que la detección temprana de esta enfermedad es crucial para combatirla. Actualmente, una de las formas de detectar el cáncer de seno es mediante el análisis del tejido mamario a través de imágenes histológicas. Este análisis es un proceso tedioso que debe ser realizado por un experto. El aprendizaje automático puede ser útil para facilitar esta tarea; sin embargo, requiere una cantidad suficiente de información recolectada para su entrenamiento, lo cual es difícil de obtener debido a la escasez de expertos capaces de anotar las imágenes. En este proyecto se proponen diferentes modelos de aprendizaje profundo para la clasificación de imágenes histológicas, aprovechando las anotaciones de múltiples anotadores con diversos grados de experiencia y conocimiento. Los resultados de estos modelos fueron comparados con varios modelos clásicos de aprendizaje automático que utilizan las etiquetas verdaderas para su entrenamiento.Item Técnicas de clustering aplicadas en un conjunto metabolitos perteneciente a pacientes de Leishmaniasis cutánea para predecir la efectividad del tratamiento glucantime a través de modelos de aprendizaje automático clásicos(Pontificia Universidad Javeriana Cali, 2023) Luna Mejía, Juan Pablo; Sadeghian Perskie, Naim Samuel; Linares, Diego; Álvarez Vargas, Gloria InésLos medicamentos usados para el tratamiento de la leishmaniasis pueden ser tóxicos y detrimentales para la salud. Peor aún, estos tratamientos no prometen curar al paciente en todos los casos. Para evitar recetar estos tratamientos a pacientes a quienes no van a recibir beneficios, se han hecho varios estudios [4][7] para tratar de predecir, por medio de muestras de metabolitos en la sangre, en qué pacientes el tratamiento será efectivo. En este proyecto se hizo una continuación de estos estudios, basados en los mismos datos usados. Estos datos observaron 535 atributos/metabolitos para solo 36 pacientes. El grueso de este proyecto estaba en reducir la dimensionalidad del conjunto de datos (2 a 5 metabolitos) y poder llegar a resultados cercanos o mejores a los ya existentes. Se entrenaron 4 diferentes modelos de clustering para encontrar posibles grupos y de cada uno escoger un representante. Para cada modelo se buscaron los parámetros los cuales llegaban a clusters con un mejor grado de separación. En la fase de escoger los representantes de cada cluster se usaron diferentes métricas como: cercanía al centro del cluster, o probabilidad de ser miembro del cluster, para decidir cuáles podrían ser los mejores representantes. Después de tener los representantes de cada grupo, se pasó a la fase de predicción, donde se observó qué tan buena era la predicción con este pequeño conjunto de atributos. Finalmente se llegó a un modelo con 3 metabolitos y un puntaje f1 de 0.82 el cual fue muy prometedor para una forma de reducción de la dimensionalidad tan particular y descriptiva como lo es ella selección por representantes de un agrupamiento.