Aprendizaje profundo explicable y robusto para sistemas de diagnóstico basados en tomografía computarizada
La adopción clínica de la inteligencia artificial está limitada por problemas relacionados con los datos, los algoritmos y la falta de validación clínica rigurosa. Esta tesis se centra en mejorar los sistemas de diagnóstico basados en tomografía computarizada con técnicas de aprendizaje profundo exp...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universidad de Cantabria (UC) |
| Repositorio: | UCrea Repositorio Abierto de la Universidad de Cantabria |
| Idioma: | inglés |
| OAI Identifier: | oai:repositorio.unican.es:10902/38196 |
| Acceso en línea: | https://hdl.handle.net/10902/38196 |
| Access Level: | acceso abierto |
| Palabra clave: | Aprendizaje profundo Inteligencia artificial explicable Tomografía computarizada Deep learning Explainable artificial intelligence Computed tomography |
| Sumario: | La adopción clínica de la inteligencia artificial está limitada por problemas relacionados con los datos, los algoritmos y la falta de validación clínica rigurosa. Esta tesis se centra en mejorar los sistemas de diagnóstico basados en tomografía computarizada con técnicas de aprendizaje profundo explicables y robustas. En la primera parte se presentan los fundamentos del aprendizaje profundo, los principios físicos de las imágenes médicas, junto con las limitaciones actuales (estandarización, interoperabilidad, reproducibilidad). La segunda parte profundiza en dos aplicaciones concretas de aprendizaje profundo, el pronóstico de hemorragias intracraneales y el diagnóstico precoz del cáncer de pulmón. La inteligencia artificial en salud depende de colaboraciones interdisciplinarias y validaciones externas de alta calidad para identificar necesidades clínicas reales, avanzar en la medicina personalizada, además de garantizar una traslación clínica segura y fiable. |
|---|