Descripción del proyecto
LOS MODELOS PREDICTIVOS PARA LA MEDICINA PERSONALIZADA DEBEN ABORDAR VARIOS DESAFIOS ESPECIFICOS DIFERENTES DE LOS COMUNES A OTRAS AREAS DE APLICACION DE APRENDIZAJE AUTOMATICO, EN PRIMER LUGAR, LOS MODELOS DEBEN RECOPILAR E INTEGRAR DIVERSAS FUENTES DE DATOS MULTIMODALES DE UNA MANERA CUANTITATIVA QUE PROPORCIONE PREDICCIONES CLINICAS INEQUIVOCAS (RADIOMICA), EN SEGUNDO LUGAR, LOS MODELOS TAMBIEN DEBEN SER FACILMENTE INTERPRETADOS DESDE UN PUNTO DE VISTA CLINICO PARA PERMITIR EL ANALISIS DE LOS FACTORES CLINICOS QUE TIENEN UN IMPACTO EN LA DECISION CLINICA, EN TERCER LUGAR, LAS PREDICCIONES DEBEN SER SOLIDAS EN CUANTO A LAS INCERTIDUMBRES DE LOS DATOS DEBIDO AL IMPACTO DE LAS CONDICIONES DE RECOPILACION (COMO LOS PARAMETROS DE ADQUISICION O LA VARIABILIDAD DE LAS ANOTACIONES MANUALES) Y LA PRESENCIA DE CASOS RAROS Y/O PERIFERICOS, QUE SE VUELVEN MUY INFLUYENTES PARA LAS CLASES MINORITARIAS, POR ULTIMO, LOS ALGORITMOS DEBERIAN FUNCIONAR EN TIEMPO REAL CON RECURSOS COMPUTACIONALES POSIBLEMENTE LIMITADOS Y UN ACCESO FLUCTUANTE A INTERNET QUE DESALIENTA LA COMPUTACION EN NUBE, PARA QUE LA RADIOMICA SE CONVIERTA EN LA PIEDRA ANGULAR DE LA TOMA DE DECISIONES CLINICAS, DEBEN FORMULARSE NUEVAS ESTRATEGIAS DE APRENDIZAJE AUTOMATICO Y ESTADISTICAS ADAPTADAS A ESTOS REQUISITOS ESPECIFICOS, ADEMAS, PARA QUE EL DESPLIEGUE EN LAS INSTALACIONES CLINICAS SEA PLENAMENTE SATISFACTORIO, DEBEN DESARROLLARSE NUEVAS IMPLEMENTACIONES EFICIENTES DESDE EL PUNTO DE VISTA COMPUTACIONAL Y ENERGETICO DE ARQUITECTURAS INFORMATICAS INTEGRADAS DE ALTO RENDIMIENTO,ESTE SUBPROYECTO SE CENTRA EN LA FORMULACION DE SISTEMAS DE PREDICCION MULTI-VISTA CAPACES DE MODELAR LAS DIVERSAS FUENTES DE INCERTIDUMBRE DE LOS DATOS CLINICOS PARA EVITAR EL SOBREAJUSTE Y PROPORCIONAR RESULTADOS CLINICAMENTE INTERPRETABLES, CON EL FIN DE OBTENER PREDICCIONES CON UNA INTERPRETACION CLINICA ALTA Y UN AJUSTE MINIMO, NUESTROS ENFOQUES MULTI-VISTA MODELARAN LA INCERTIDUMBRE DE LOS DATOS CLINICOS POR SEPARADO PARA CADA VISTA EN 3 NIVELES DIFERENTES: 1) NIVEL DE MUESTREO PARA FILTRAR LOS DATOS INFLUYENTES; 2) NIVEL DE CARACTERISTICAS PARA SU SELECCION ASEGURANDO EL MAXIMO PODER DISCRIMINATORIO CON UN OVERFITTING MINIMO; 3) NIVEL DE VISTA PARA DETERMINAR QUE VISTAS SON CLINICAMENTE RELEVANTES (SIGNIFICATIVAS) PARA EL RESULTADO DE LAS PREDICCIONES,PARA ILUSTRAR LOS BENEFICIOS DE LOS METODOS DESARROLLADOS, APLICAREMOS LOS SISTEMAS PREDICTIVOS MULTI-VISTA PARA RECOMENDACIONES PERSONALIZADAS Y ACCIONES EN TIEMPO REAL DE PROCESAMIENTO DE SISTEMAS EMBEBIDOS A DOS ESCENARIOS DE APLICACION ESPECIFICOS:1, DIAGNOSTICO TEMPRANO PERSONALIZADO DE CANCER DE PULMON (LUCAD),2, EVALUACION DEL RENDIMIENTO DE CONDUCCION DE PACIENTES CON ENFERMEDADES NEURODEGENERATIVAS (NEURODRIVE), MEDICINA PERSONALIZADA\MODELOS PREDICTIVOS\MODELIZACION DE LA INCERTIDUMBRE\EHPC\COMPUTACIÓN RECONFIGURABLE\MPSOC\FPGA