Análisis del método ComBat para mejorar la transportabilidad de Modelos de Inteligencia Artificial en Salud
[ES] La transportabilidad de los modelos de IA en el sector sanitario es crucial para obtener predicciones fiables cuando los modelos se aplican en entornos distintos de aquellos con cuyos datos fueron entrenados. Este proyecto investiga cómo los sesgos de los datos y los efectos de lote afectan al...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2024 |
| País: | España |
| Institución: | Universitat Politècnica de València (UPV) |
| Repositorio: | RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia |
| Idioma: | inglés |
| OAI Identifier: | oai:riunet.upv.es:10251/212674 |
| Acceso en línea: | https://riunet.upv.es/handle/10251/212674 |
| Access Level: | acceso abierto |
| Palabra clave: | Inteligencia artificial Efecto de lote ComBat Sesgo de modelo Transportabilitat Efecte de lot Biaix de model Intel·ligència artificial Transportability Batch effect Artificial Intelligence Model bias FISICA APLICADA Máster Universitario en Ingeniería Biomédica-Màster Universitari en Enginyeria Biomèdica |
| Sumario: | [ES] La transportabilidad de los modelos de IA en el sector sanitario es crucial para obtener predicciones fiables cuando los modelos se aplican en entornos distintos de aquellos con cuyos datos fueron entrenados. Este proyecto investiga cómo los sesgos de los datos y los efectos de lote afectan al rendimiento y la transportabilidad de los modelos, y pone a prueba la eficacia de los métodos de corrección de efectos de lote. Se prestará especial atención al método COMBAT, que se evaluará a fondo para su uso en distintos tipos de conjuntos de datos públicos de los que se sospecha que tienen efectos de lote que podrían afectar al rendimiento del modelo. A lo largo del proceso se emplearán varias técnicas para confirmar que los datos efectivamente presentan estos sesgos y para comprobar si la aplicación del método ha sido eficaz. Las técnicas de corrección de efectos de lote suelen tener su mayor aplicación en datos genómicos, sin embargo, este proyecto evaluará su efectividad en otras áreas, como en los datos radiómicos y clínicos. Estos conjuntos de datos se utilizarán para ilustrar aplicaciones actuales de ComBat, comparar su efectividad en diferentes tipos de datos, investigar su uso e impacto en los flujos de trabajo de aprendizaje automático y estudiar la viabilidad de nuevos usos con el fin de mejorar los resultados del uso real de los modelos de IA en medicina. Los resultados pretenden aportar ideas para desarrollar aplicaciones de IA más sólidas que mantengan la precisión y la fiabilidad en una amplia gama de poblaciones de pacientes, hospitales, países u otros factores asociados a efectos de lote, con el fin de mejorar la generalización de los modelos de IA en medicina. |
|---|