Inteligencia artificial para diagnóstico automático de osteorradionecrosis

Abstract

Este trabajo de fin de grado en Ingeniería Robótica y Mecatrónica se enfoca en el análisis de datos para la automatización del diagnóstico de osteorradionecrosis. La osteorradionecrosis es una complicación grave que puede surgir en pacientes sometidos a radioterapia en el área de cabeza y cuello. El objetivo principal de este estudio es utilizar técnicas de análisis de datos y aprendizaje automático para desarrollar un estimador que pueda predecir la presencia de osteorradionecrosis a partir de imágenes de tomografía computarizada (TC). Para llevar a cabo este estudio, se recopilaron datos de imágenes TC del Hospital Regional Universitario de Málaga, proporcionadas por la doctora radióloga Almudena Pérez. El conjunto de datos utilizado en este trabajo consiste en 40 pacientes con osteorradionecrosis confirmada y 38 pacientes sin la complicación. En primer lugar, se realizó un análisis visual de las imágenes de TC para identificar posibles características o patrones distintivos de la osteorradionecrosis. Se examinaron diferentes regiones de interés en las imágenes, prestando especial atención a cambios en la densidad ósea y posibles lesiones. A continuación, se aplicaron técnicas matemáticas y de procesamiento de imágenes para extraer características cuantitativas de las imágenes. Como la obtención de la matriz de covarianza o la normalización de los datos. Una vez obtenidas las características, se procedió a utilizar varios modelos de aprendizaje automático (machine learning) para desarrollar un estimador. Se emplearon algoritmos como regresión logística, árboles de decisión, y support vector machine, entre otros. El objetivo era encontrar el modelo que proporcione la mejor precisión y rendimiento en la predicción de la presencia de osteorradionecrosis. Los modelos se han entrenado utilizando el conjunto de datos recopilado, y se evalúa su desempeño utilizando técnicas de validación cruzada. Se han meiddo métricas como la precisión, sensibilidad, especificidad y el área bajo la curva ROC para determinar la capacidad predictiva de cada modelo. Una vez obtenido el modelo con el mejor rendimiento, se procedió a diseñar un archivo ejecutable que incorpore dicho modelo. Este archivo ejecutable ha sido desarrollado con la intención de facilitar el acceso a la herramienta de diagnóstico automatizado a los médicos radiólogos. Se brinda una interfaz intuitiva que permite cargar datos de TC y obtener una predicción automática sobre la presencia de osteorradionecrosis.