Inteligencia Artificial en biomedicina

Resumen

Las mejoras en las técnicas de adquisición de datos y el incremento exponencial que la adopción de la tecnología está teniendo en nuestras vidas a lo largo de los últimos años, han desembocado en la necesidad de desarrollar y mejorar métodos capaces de sacar provecho de la ingente cantidad de datos que generamos. De esta forma, técnicas relativas al Aprendizaje Automático, como las redes neuronales o los árboles de decisión, y al Análisis Visual de datos, han cobrado una relevante importancia en el flujo de trabajo del analista de datos a la hora de encontrar soluciones a problemas complejos que impliquen grandes cantidades de datos.Es el caso de la bioinformática y la biomedicina, donde la ingente cantidad de datos y las posibles mejoras, tanto en el sistema sanitario como en la calidad de vida de los pacientes, han propiciado un escenario idóneo para la aplicación de estos modelos. En esta tesis doctoral vamos a realizar un recorrido por los distintos pasos del flujo de trabajo de la Inteligencia Artificial aplicado a la biomedicina. Desde la recolección de datos y su etiquetado, su análisis mediante la aplicación de distintos algoritmos pertenecientes al campo del Aprendizaje Computacional, la explicabilidad de los resultados y el uso de técnicas de análisis visual para el soporte en el preprocesado y los resultados. Lo haremos en base a dos casos de uso ligados a las enfermedades genéticas: 1) la clasificación de enfermedades hematológicas a través de datos clínicos, usando un hemograma tradicional, por su naturaleza genética y por sus posibilidades de aplicación a nivel traslacional y 2) la detección de zonas de alta recombinación meiótica mediante el análisis de secuencias, por su relación directa con el desarrollo de enfermedades genéticas.