Sporala red del conocimiento
EN
Pontificia Universidad Javeriana

Especialización en Ortopedia y Traumatología · 2024

Desarrollo de un algoritmo de aprendizaje de máquina para la clasificación de patología tumoral ósea del sistema musculoesquelético con radiografías simples

Solo ficha. El repositorio marca este trabajo como «De acuerdo con la naturaleza del uso concedido, la presente licencia parcial se otorga a título gratuito por el máximo tiempo legal colombiano, con el propósito de que en dicho lapso mi (nuestra) obra sea explotada en las condiciones aquí estipuladas y para los fines indicados, respetando siempre la titularidad de los derechos patrimoniales y morales correspondientes, de acuerdo con los usos honrados, de manera proporcional y justificada a la finalidad perseguida, sin ánimo de lucro ni de comercialización. De manera complementaria, garantizo (garantizamos) en mi (nuestra) calidad de estudiante (s) y por ende autor (es) exclusivo (s), que la Tesis o Trabajo de Grado en cuestión, es producto de mi (nuestra) plena autoría, de mi (nuestro) esfuerzo personal intelectual, como consecuencia de mi (nuestra) creación original particular y, por tanto, soy (somos) el (los) único (s) titular (es) de la misma. Además, aseguro (aseguramos) que no contiene citas, ni transcripciones de otras obras protegidas, por fuera de los límites autorizados por la ley, según los usos honrados, y en proporción a los fines previstos; ni tampoco contempla declaraciones difamatorias contra terceros; respetando el derecho a la imagen, intimidad, buen nombre y demás derechos constitucionales. Adicionalmente, manifiesto (manifestamos) que no se incluyeron expresiones contrarias al orden público ni a las buenas costumbres. En consecuencia, la responsabilidad directa en la elaboración, presentación, investigación y, en general, contenidos de la Tesis o Trabajo de Grado es de mí (nuestro) competencia exclusiva, eximiendo de toda responsabilidad a la Pontifica Universidad Javeriana por tales aspectos. Sin perjuicio de los usos y atribuciones otorgadas en virtud de este documento, continuaré (continuaremos) conservando los correspondientes derechos patrimoniales sin modificación o restricción alguna, puesto que, de acuerdo con la legislación colombiana aplicable, el presente es un acuerdo jurídico que en ningún caso conlleva la enajenación de los derechos patrimoniales derivados del régimen del Derecho de Autor. De conformidad con lo establecido en el artículo 30 de la Ley 23 de 1982 y el artículo 11 de la Decisión Andina 351 de 1993, "Los derechos morales sobre el trabajo son propiedad de los autores", los cuales son irrenunciables, imprescriptibles, inembargables e inalienables. En consecuencia, la Pontificia Universidad Javeriana está en la obligación de RESPETARLOS Y HACERLOS RESPETAR, para lo cual tomará las medidas correspondientes para garantizar su observancia.»: el PDF no es público, así que aquí no hay texto para leer. Ver la ficha en el repositorio.

Resumen

El cáncer óseo es una de las principales causas de muerte en personas menores de 20 años, con una supervivencia relativa a 5 años de entre el 68-73% en los Estados Unidos. Este estudio tiene como objetivo desarrollar un algoritmo basado en inteligencia artificial (IA) para la detección de tumores óseos en radiografías del sistema musculoesquelético mediante redes neuronales convolucionales (CNN). A partir de imágenes clínicas obtenidas en el Hospital Universitario San Ignacio de Bogotá (2018-2023), se recolectaron 447 radiografías, incluidas imágenes de tumores benignos y malignos, así como normales. Las imágenes fueron preprocesadas y etiquetadas para entrenar diversos modelos de redes neuronales. El análisis incluyó la creación de histogramas de intensidades en escala de grises de las imágenes y la implementación de un modelo de Mixtura Gaussiana (GMM) para extraer parámetros descriptivos. Posteriormente, se construyó una red neuronal simple para clasificar las imágenes en función de la presencia de tumores. El modelo fue entrenado con un 80% de los datos y validado con un 20%, utilizando métricas como precisión, sensibilidad y exactitud. El desempeño del modelo de red neuronal fue limitado, con una exactitud global del 12.24%, una precisión del 100%, pero una sensibilidad extremadamente baja del 12.24%, lo que indica que el modelo tiene una alta tasa de falsos negativos. Aunque los resultados de precisión son favorables, la baja sensibilidad resalta la necesidad de mejorar el modelo para detectar un mayor número de tumores. El estudio concluye que, si bien los modelos sencillos ofrecen procesos de entrenamiento más ágiles, requieren características adicionales, como la textura y correlación de píxeles, para mejorar la clasificación. Se recomienda la utilización de arquitecturas más complejas en investigaciones futuras, para mejorar la precisión y efectividad del algoritmo en la segmentación y detección de tumores, con el fin de acercarse al rendimiento de los expertos en diagnóstico.

Palabras clave