Cum laude en técnicas de Inteligencia Artificial para el soporte clínico del diagnóstico médico

La ingeniera almeriense Amelia Jiménez Sánchez ha recibido las más altas felicitaciones por el resultado de su tesis doctoral, realizada en la Universidad Pompeu Fabra (UPF) bajo la dirección de la profesora Gemma Piella y la profesora Diana Mateus de la École centrale de Nantes en Francia. Su investigación se centra en técnicas de Inteligencia Artificial para el soporte clínico en el diagnóstico médico. Amelia, nacida en Benahadux, estudió el grado en Ingeniería de Tecnologías de Telecomunicación en la Universidad de Granada (UGR). Durante los años de carrera, Amelia aprovechó el programa Eramus para realizar dos estancias en Alemania. Primero realizó su trabajo final de grado en la Universidad de Duisburg-Essen, y al final de la carrera realizó un proyecto de investigación sobre implantes cocleares en la Universidad Técnica de Munich (TUM).

Esta segunda estancia fue la que despertó su curiosidad en la investigación de algoritmos para aplicaciones biomédicas. Continuó su formación en la TUM finalizando con éxito un máster en computación biomédica. Durante este periodo, Amelia fue reconocida entre las mejores estudiantes del departamento de informática de la TUM. Gracias a la beca INPhINIT,cofinanciada por la Fundación la Caixa y el programa EU Horizon 2020 Marie Skłodowska-Curie, Amelia comenzó en 2017 su doctorado en el Departamento de Tecnologías de la Información y las Comunicaciones de la UPF.

Fue el pasado 14 de octubre de 2021, cuando Amelia realizó la defensa de su tesis, que se refiere al desarrollo de algoritmos de aprendizaje profundo para el diagnóstico médico, en particular para la clasificación de fracturas femorales y detección de cáncer en mamografía. Tras el escrutinio de la votación secreta del tribunal supo que había recibido la mención Cum Laude por su tesis doctoral. En el campo de la medicina, la imagen se ha convertido en una modalidad esencial para el diagnóstico temprano de muchas enfermedades. Un sistema de diagnóstico asistido por ordenador puede proveer al personal médico con asistencia para interpretar las imágenes y proporcionar una segunda opinión para apoyar sus decisiones.

La visión por ordenador (“computer visión” en inglés) es el campo que se ocupa de cómo los ordenadores pueden adquirir conocimiento a partir de imágenes y vídeos. En particular, el subcampo de reconocimiento de imágenes trata de identificar objetos en una imagen o vídeo. En este contexto, el diagnóstico médico puede ser formulado como una tarea de clasificación y usar aprendizaje automático (“machine learning” en inglés) para construir un modelo a partir de las imágenes disponibles.

El rendimiento de los algoritmos de aprendizaje automático depende en gran medida de la elección de una representación de los datos. Por tanto, un paso clave es el diseño de estrategias de preprocesamiento y transformaciones de datos. Sin embargo, proporcionar manualmente este paso requiere del conocimiento y tiempo del personal sanitario, lo cual es exigente y costoso. Por esa razón, los métodos de aprendizaje automático actuales se han desplazado hacia el aprendizaje profundo (“deep learning” en inglés), en concreto, hacia las redes convolucionales.

La tesis doctoral de Amelia tiene como objetivo diseñar métodos para mejorar los actuales sistemas de aprendizaje profundo para el diagnóstico asistido por ordenador. Estos algoritmos se ven enfrentados a habituales desafíos cuando se trabaja con bases de datos de imágenes médicas. En primer lugar, el número de imágenes o anotaciones proporcionadas es limitado. En segundo lugar, las etiquetas de clasificación provistas pueden no ser del todo fiables o resultar en una distribución desbalanceada. En tercer lugar, en escenarios de aprendizaje colaborativo, hay que tener en cuenta la privacidad de los/as pacientes y las posibles diferencias de dominio de las imágenes.

En su tesis se investigan dos aspectos clave a la hora de aprender representaciones a partir de imágenes médicas: el diseño de la arquitectura de aprendizaje profundo y la optimización de estas redes con aprendizaje curricular. Estas técnicas han validado su eficacia/beneficio para apoyar el diagnóstico de enfermedades diversas. Entre ellas, la clasificación de fracturas femorales para conseguir una planificación de la cirugía más adecuada y precisa. La detección de complicaciones de la diabetes a partir de retinografías. Y la detección precoz/temprana de cáncer de mama analizando mamografías, así como la detección de tumores malignos sin necesidad de biopsia.

Según apunta, lo ocurrido ha sido el fruto de cuatro años de una experiencia muy estimulante e intensa, tanto en lo personal como en lo profesional. Compaginando las tareas de investigación, Amelia ha impartido talleres y charlas divulgativas organizados por Barcelona Activa (Ayuntamiento Barcelona) y #100tífiques (Fundació Catalana de Recerca i la Innovació) y ha sido mentora del programa Inspira STEAM, promovido por la Universidad de Deusto. Amelia ha participado en estas iniciativas porque cree que es importante que la investigación se lleve a la sociedad, y también, despertar la curiosidad de los niños y niñas en carreras científicas, especialmente, para empoderar a las chicas en elegir carreras STEAM (Ciencia, Tecnología, Ingeniería, Artes y Matemáticas).

Al finalizar la defensa, Amelia agradeció la asistencia, tanto de manera presencial como online, y en especial, a sus supervisoras Gemma y Diana por la orientación y apoyo durante este trayecto. Amelia ahora espera seguir realizando investigación para poner la inteligencia artificial al servicio de la medicina, aunque aún no sabe dónde, barajando destinos tan dispares como Canadá, Australia y Granada.