Desarrollo de un modelo de clasificación de niveles de aglutinación en muestras médicas mediante redes neuronales convolucionales
Mostrar el registro completo del ítem
Título: Desarrollo de un modelo de clasificación de niveles de aglutinación en muestras médicas mediante redes neuronales convolucionales
Autor: Álvarez Zavaleta, Luis Alberto
Resumen:
[ES] El objetivo del desarrollo de este Trabajo Final de Máster es la creación de un modelo de clasificación para el análisis del nivel de aglutinación en muestras médicas. Para alcanzar este propósito, se entrenarán modelos basados en redes neuronales convolucionales (RNC) utilizando técnicas de Deep Learning con el lenguaje de programación Python y las librerías de redes neuronales Keras y TensorFlow. El proceso comenzará con la recopilación y el preprocesamiento de datos de imágenes médicas, seguido de la configuración y el entrenamiento de los modelos utilizando técnicas avanzadas de ajuste de hiperparámetros. Para evaluar el rendimiento del modelo, se emplearán distintas métricas de evaluación para determinar la efectividad y robustez del clasificador. Además, se utilizarán herramientas MLOps para el control de versiones, supervisión y actualización del modelo, garantizando así su robustez y mantenibilidad. Se investigarán las técnicas de XAI (Inteligencia artificial Explicable) para proporcionar una comprensión más profunda del comportamiento del modelo y para analizar las razones detrás de sus predicciones erróneas. El despliegue del modelo se planificará con el objetivo de facilitar su uso y escalabilidad. Este proyecto tiene con el objetivo desarrollar un clasificador de aglutinaciones que permita de forma eficiente el análisis de muestras médicas, asegurando que las decisiones tomadas por el modelo sean transparentes y justificables. Finalmente, se considerarán las implicaciones éticas de la implementación de IA en el diagnóstico médico, asegurando que se respeten los principios de equidad, transparencia y responsabilidad. Este trabajo pretende contribuir significativamente a la investigación de la inteligencia artificial aplicada a la medicina y a la práctica clínica diaria, proporcionando herramientas avanzadas para mejorar el diagnóstico médico.
[EN] The objective of the development of this master’s thesis is the creation of a classification model for the analysis of the level of agglutination in medical samples. To achieve this purpose, models based on convolutional neural networks (CNN) will be trained using Deep Learning techniques with the Python programming language and the neural network libraries Keras and TensorFlow. The process will begin with medical image data collection and preprocessing, followed by model setup and training using advanced hyperparameter fitting techniques. To evaluate model performance, various evaluation metrics will be employed to determine the effectiveness and robustness of the classifier. In addition, MLOps tools will be used for version control, monitoring and updating of the model, thus ensuring its robustness and maintainability. XAI (Explainable AI) techniques will be investigated to provide a deeper understanding of the model's behaviour and to analyse the reasons behind its erroneous predictions. The deployment of the model will be planned to integrate it into existing medical systems for ease of use and scalability. This project aims to develop an agglutination classifier that efficiently enables the analysis of medical samples, ensuring that the decisions made by the model are transparent and justifiable. Finally, the ethical implications of AI implementation in medical diagnosis will be considered, ensuring that the principles of fairness, transparency and accountability are respected. This work aims to contribute significantly both to research in the field of artificial intelligence applied to medicine and to daily clinical practice, providing advanced tools for the improvement of medical diagnosis.
[ES] El objetivo del desarrollo de este Trabajo Final de Máster es la creación de un modelo de clasificación para el análisis del nivel de aglutinación en muestras médicas. Para alcanzar este propósito, se entrenarán modelos basados en redes neuronales convolucionales (RNC) utilizando técnicas de Deep Learning con el lenguaje de programación Python y las librerías de redes neuronales Keras y TensorFlow. El proceso comenzará con la recopilación y el preprocesamiento de datos de imágenes médicas, seguido de la configuración y el entrenamiento de los modelos utilizando técnicas avanzadas de ajuste de hiperparámetros. Para evaluar el rendimiento del modelo, se emplearán distintas métricas de evaluación para determinar la efectividad y robustez del clasificador. Además, se utilizarán herramientas MLOps para el control de versiones, supervisión y actualización del modelo, garantizando así su robustez y mantenibilidad. Se investigarán las técnicas de XAI (Inteligencia artificial Explicable) para proporcionar una comprensión más profunda del comportamiento del modelo y para analizar las razones detrás de sus predicciones erróneas. El despliegue del modelo se planificará con el objetivo de facilitar su uso y escalabilidad. Este proyecto tiene con el objetivo desarrollar un clasificador de aglutinaciones que permita de forma eficiente el análisis de muestras médicas, asegurando que las decisiones tomadas por el modelo sean transparentes y justificables. Finalmente, se considerarán las implicaciones éticas de la implementación de IA en el diagnóstico médico, asegurando que se respeten los principios de equidad, transparencia y responsabilidad. Este trabajo pretende contribuir significativamente a la investigación de la inteligencia artificial aplicada a la medicina y a la práctica clínica diaria, proporcionando herramientas avanzadas para mejorar el diagnóstico médico.
[EN] The objective of the development of this master’s thesis is the creation of a classification model for the analysis of the level of agglutination in medical samples. To achieve this purpose, models based on convolutional neural networks (CNN) will be trained using Deep Learning techniques with the Python programming language and the neural network libraries Keras and TensorFlow. The process will begin with medical image data collection and preprocessing, followed by model setup and training using advanced hyperparameter fitting techniques. To evaluate model performance, various evaluation metrics will be employed to determine the effectiveness and robustness of the classifier. In addition, MLOps tools will be used for version control, monitoring and updating of the model, thus ensuring its robustness and maintainability. XAI (Explainable AI) techniques will be investigated to provide a deeper understanding of the model's behaviour and to analyse the reasons behind its erroneous predictions. The deployment of the model will be planned to integrate it into existing medical systems for ease of use and scalability. This project aims to develop an agglutination classifier that efficiently enables the analysis of medical samples, ensuring that the decisions made by the model are transparent and justifiable. Finally, the ethical implications of AI implementation in medical diagnosis will be considered, ensuring that the principles of fairness, transparency and accountability are respected. This work aims to contribute significantly both to research in the field of artificial intelligence applied to medicine and to daily clinical practice, providing advanced tools for the improvement of medical diagnosis.
URI: http://hdl.handle.net/10251/210753
Fecha: 2024-10-23
Relacionado
Ítems en Google Scholar
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
ETSINF - Trabajos académicos [5160]
Escola Tècnica Superior d'Enginyeria Informàtica