La investigación ganó el tercer premio al mejor TFG del país
MÁLAGA- El Trabajo Fin de Grado del estudiante de Ingeniería de la Salud de la Universidad de Málaga Mario Pascual fue distinguido por la Asociación Española para la Inteligencia Artificial (AEPIA), que le otorgó el tercer premio al mejor TFG del año en España.
Bajo el título, ‘Predicción del Crecimiento del Meningioma en Resonancia Magnética Multimodal mediante Técnicas de Aprendizaje Profundo’, este proyecto fue galardonado en la categoría general, “la más competitiva, ya que es en la que más trabajos compiten”.
Este TFG fue dirigido por el catedrático de la E.T.S.I de Informática Ezequiel López, que también es investigador responsable del grupo de Inteligencia Computacional y Análisis de Imágenes de IBIMA Plataforma BIONAND, y codirigido por el profesor de la Facultad de Medicina Francisco Sendra, investigador responsable del grupo de Inteligencia Artificial en Imagen Médica. Además, se contó con la colaboración de la doctora del Hospital Regional Universitario (HRUM) Almudena Pérez Lara para la obtención de datos y la interpretación de resultados.
Hito
La idea del trabajo surgió en 2023, precisamente, tras conocer a la doctora Pérez Lara en un seminario en la UMA dentro de la asignatura de Imágenes Biomédicas, donde plantearon el reto clínico de predecir el crecimiento de un tumor cerebral llamado ‘Meningioma’.
“Para realizar predicción de crecimiento, necesitábamos datos longitudinales -es decir, varios estudios de un mismo paciente a lo largo del tiempo donde se pudiera observar el crecimiento del tumor-, sin embargo, hasta la fecha, no existía información de este tipo sobre meningiomas”, explica el joven investigador de la UMA galardonado. Pascual añade que durante unos tres años colaboró con el Hospital Regional para crear el primer conjunto de datos de esta naturaleza, lo que, según él, es el “primer hito” del trabajo.
Sobre la parte técnica, la investigación adapta una red neuronal fundacional (de decenas de millones de parámetros, entrenado con millones de imágenes de resonancia magnética) de segmentación mediante ‘adaptadores de bajo rango’ (LoRA), entrenados exclusivamente con datos públicos (por lo que los datos privados del HRUM nunca entrarían a los pesos del modelo, y se respeta así una dimensión más de la privacidad del paciente), y propaga la incertidumbre de la segmentación ( modelo que delimita las regiones del tumor es capaz de obtener una medida sobre cuánto se está equivocando en su propia predicción, no da un solo número) al modelo temporal (el que predice el crecimiento tumoral para el paciente) para obtener intervalos de crecimiento calibrados, y específicos de cada paciente.
