La evolución de la gestión de los sistemas de salud conlleva una creciente demanda de personalización de los tratamientos por parte de los pacientes. Esta demanda es crucial en la gestión clínica de patologías como el cáncer. La satisfacción de esta demanda requiere un manejo sofisticado de los sistemas de información. Una de las razones para ello es que la cantidad de datos médicos disponibles para el análisis y extracción de conocimiento está aumentando de manera exponencial, debido en parte a la aparición de nuevas técnicas para la medición no invasiva y la adquisición de datos médicamente relevantes. Esto ha de ser entendido como un activo valioso para los expertos en reconocimiento de patrones e Inteligencia Computacional.
La toma de decisiones en oncología es una tarea sensible, y más aún en el área específica de diagnóstico oncológico de tumores cerebrales, en la que los costos directos e indirectos de un mal diagnóstico son muy altos. En este área, en la que la mayoría de las técnicas de diagnóstico han de ser no invasivas, los médicos pueden beneficiarse del uso de sistemas automatizados de apoyo a la decisión.
Este proyecto de tesis aborda el problema de diagnóstico de tumores cerebrales humanos en base a datos de señales biológicas obtenidas por espectroscopia de resonancia magnética (ERM). Desarrollos recientes han demostrado la utilidad de la ERM para el estudio biomédico del tejido tumoral in vivo. Estas mediciones proporcionan un perfil bioquímico detallado de los tejidos cerebrales analizados.
La extracción de conocimiento a partir de este tipo de datos puede ser una tarea difícil por diferentes razones: tanto la alta dimensionalidad de los datos, la presencia de ruido y artefactos, como la presencia de superposiciones de los picos espectrales, pueden contribuir a tal dificultad. En entornos clínicos, estas limitaciones son a menudo amplificadas por el uso rutinario de datos adquiridos a tiempo de eco corto y con campos magnéticos de baja intensidad. En el peor caso, esto puede dificultar la generalización del uso de ERM en la práctica de la radiología clínica. Por otra parte, la tarea de interpretación de los espectros de RM requiere una considerable experiencia por parte de un radiólogo experto. La automatizacíon del análisis e interpretación de los espectros de RM es, por tanto, de gran valor.
En esta tesis, técnicas avanzadas de procesamiento han sido utilizadas para filtrar ruido de la señal y extraer la información relevante de los datos disponibles de ERM. Estas técnicas también ayudan a reducir la alta dimensionalidad de los datos mediante selección y extracción de características. Se ha desarrollado la técnica de Moving Window Variance Analysis para selección de características, comparándola con Principal Component Analysis, como paso previo a la clasificación diagnóstica utilizando Redes Neuronales Artificiales Bayesianas y Análisis Discriminante Lineal.
Un método robusto de Transformación Wavelet Discreta ha sido usado para el pre-procesamiento de los datos correspondientes a varios tipos de tumores cerebrales. Este procedimiento produce resultados muy alentadores de clasificación binaria, en particular en problemas para los que pocos resultados, si alguno, han sido publicados.
Finalmente, la mucho menos común técnica de Gaussian Dissection se ha utilizado para la descomposición de espectros en términos de sus componentes de amplitud, desviación estándar y coeficientes de tonos constituyentes. Estos coeficientes pueden ser asociados a metabolitos específicos (y, por tanto, mejorar la interpretación de los resultados de la clasificación) Con esta técnica se han obtenido resultados muy precisos, los cuales, una vez más, son de especial relevancia en los experimentos con patologías raramente analizadas cuantitativamente en base a datos de ERM.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados