ProyectoUnidigital IASAC

Inteligencia Artificial y Sistemas Autónomos Cognitivos
  • Logo Ministerio de Universidad
  • Logo Plan de Recuperación Transformación y Resilencia
  • Logo Unión Europea
Ciencias de la salud

IA en el ámbito sanitario

Descripción

La inteligencia artificial (IA) está transformando nuestra sociedad de forma cada vez más intensa y profunda. Cómo interaccionamos con las máquinas y entre nosotros, cómo producimos, vendemos y compramos bienes y servicios, cómo creamos arte y ciencia, cómo nos movemos, y, en definitiva, todas las actividades humanas de alto nivel se están viendo afectadas y modificadas por la IA. Por supuesto, el cuidado de nuestra salud, incluyendo los procesos médicos y la investigación en Biomedicina, no es ajeno a este creciente papel de la inteligencia artificial, más bien al contrario, es uno de los campos donde más rápida y eficientemente se están adoptando los distintos modos de uso de la IA.

Podemos decir sin temor a equivocarnos que el enfoque estadístico estándar utilizado en el diagnóstico y tratamiento de enfermedades está siendo sustituido progresivamente por métodos basados en datos, cada vez más complejos y completos, cuya explotación eficiente exige el uso de IA. Por ejemplo ¿Qué es el diagnóstico sino la identificación y clasificación de patrones distintos a partir de datos de muy distinta índole?, o ¿Qué es el pronóstico sino predicción de tendencias? o ¿Qué es la asignación de tratamientos personalizados sino una optimización basada en la predicción de resultados para casos (pacientes) específicos? Estos procesos matemáticos son precisamente algunos en los que la IA está teniendo un éxito mayor.

Parece pues evidente que la IA tiene un papel relevante y un amplio potencial en Medicina y en el cuidado de la salud.

Nivel del tema

Nivel: alto

Índice
  1. Introducción – Manuel Doblaré Castellano
  2. Diagnóstico de cáncer de pulmón a partir de Tomografía Axial Computerizada - Jacobo Ayensa Jiménez
    1. Contextualización
    2. Metodología
      1. Bases de datos utilizadas
      2. Diseño de la solución propuesta
      3. Entrenamiento de los modelos
    3. Resultados
    4. Conclusiones
    5. Referencias
  3.  Diagnóstico y pronóstico de cáncer de próstata a través del Índice Gleason - Jacobo Ayensa Jiménez, Denis Navarro
    1. Contextualización
    2. Metodología
      1. Creación de la base de datos
      2. Diseño de la solución propuesta
      3. Entrenamiento de los modelos
    3. Resultados
    4. Conclusiones
    5. Referencias
  4. Intelligent Microfluidics: evaluando la agresividad de un cultivo celular mediante Deep Learning -Marina Pérez Aliacar
    1. Contextualización
    2. Metodología
      1. .Procesamiento de imagen
      2. Red neuronal convolucional, arquitectura y entrenamiento
    3. Resultados
      1. Convergencia de la red
      2. Rendimiento de la red
      3. Robustez de la red
    4. Aplicación: predicción de la evolución de cultivos de GBM..
    5. Conclusiones
    6. Referencias
  5. Identificación automática de estructuras en blastocitos en reproducción asistida - María Villota Miranda
    1. Contextualización
    2. Metodología
      1. Base de datos
      2. Vía no supervisada
      3. Vía supervisada
    3. Resultados
    4. Conclusiones
    5. Referencias
  6. Hacia donde vamos. Una visión de futuro - Manuel Doblaré Castellano
  7. Reflexiones finales - Manuel Doblaré Castellano
Profesor/es responsable/s

Manuel Doblaré Castellano

e-mail
mdoblare@unizar.es

Jacobo Ayensa Jiménez

e-mail
jacoboaj@unizar.es

Denis Navarro

e-mail
denis@unizar.es

Marina Pérez Aliacar

e-mail
marina.perez@unizar.es

Documentación