Diseño e implementación de modelos de Aprendizaje de Instancias Múltiples para la clasificación débilmente supervisada de imágenes histopatológicas de cáncer de próstata

Simple item page
dc.contributor.advisorGil González, Julián
dc.contributor.authorRestrepo Rosero, Juan José
dc.contributor.authorBelalcázar Perdomo, María Valentina
dc.date.accessioned2026-03-18T16:43:31Z
dc.date.available2026-03-18T16:43:31Z
dc.date.issued2025
dc.description.abstractEste trabajo de grado presenta el diseño, implementación y evaluación de un pipeline experimental reproducible basado en Aprendizaje de Instancias Múltiples (Multiple Instance Learning, MIL) para la clasificación débilmente supervisada de imágenes de lámina completa (Whole Slide Images, WSI) en cáncer de próstata.El estudio aborda dos desafíos fundamentales de la histopatología digital: la variabilidad interobservador en la gradación tumoral y la escasez de anotaciones locales a nivel de parche. La metodología propuesta integra un esquema de preprocesamiento orientado a la selección de regiones tisulares relevantes mediante ltrado en el espacio de color HSV, extracción de representaciones profundas utilizando una ResNet-50 preentrenada como extractor congelado de características, y entrenamiento de arquitecturas MIL con mecanismos de agregación clásicos y basados en atención. El proceso experimental se desarrolló sobre la base de datos pública SICAPv2 y se evaluó mediante validación cruzada estricta estratificada por paciente (GroupKFold), garantizando la separación completa entre entrenamiento y prueba a nivel de WSI. Los resultados evidencian que los modelos basados en atención, particularmente SmABMIL, superan consistentemente a los enfoques de pooling tradicional en métricas clínicas relevantes a nivel de lámina completa. En promedio, se obtuvo un F1-score superior a 0.83 y una AUC-ROC cercana a 0.86, junto con una mayor estabilidad interfold y mejor equilibrio entre sensibilidad y especificidad. Adicionalmente, la incorporación de mecanismos de atención permitió generar mapas de relevancia espacial coherentes con patrones histopatológicos asociados a malignidad, fortaleciendo la interpretabilidad del sistema. En conjunto, el trabajo demuestra la viabilidad del aprendizaje con supervisión débil para clasificación de cáncer prostático en WSI y establece una base metodológica sólida y reproducible para el desarrollo de sistemas de apoyo a la decisión clínica en patología digital.spa
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ciencia de Datos
dc.format.extent59 p.
dc.format.mimetypeapplication/pdf
dc.identifier.urihttp://hdl.handle.net/11522/5426
dc.language.isospa
dc.publisherPontificia Universidad Javeriana Cali
dc.publisher.departmentFacultad de Ingeniería y Ciencias
dc.publisher.programMaestría en Ciencia de Datos
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonshttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectAprendizaje de instancias múltiples (MIL)spa
dc.subjectWhole Slide Images (WSI)spa
dc.subjectHistopatología digitalspa
dc.subjectCáncer de próstataspa
dc.subjectRedes neuronales convolucionaleseng
dc.subjectMulti‑instance learning (MIL)eng
dc.subjectDigital histopathologyeng
dc.subjectProstate cancereng
dc.subjectConvolutional neural networkseng
dc.titleDiseño e implementación de modelos de Aprendizaje de Instancias Múltiples para la clasificación débilmente supervisada de imágenes histopatológicas de cáncer de próstataspa
dc.typemaster thesis
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
dc.type.redcolhttps://purl.org/redcol/resource_type/TM
Files
Original bundle
Now showing 1 - 2 of 2
Thumbnail Image
Name:
Proyecto de Grado Final - Juan José Restrepo Rosero,Maria Valentina Belalcazar Perdomo,.pdf
Size:
21.72 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Licencia de Uso - Juan José Restrepo Rosero,Maria Valentina Belalcazar Perdomo,.pdf
Size:
243.5 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Ciencia de Datos