Mejora de modelos de diagnóstico médico en colonoscopias mediante Data-Centric AI
Martínez Zamora, Luis
Tudela Barroso, Yael tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Títol variant:	Millora dels models de diagnòstic mèdic per a colonoscòpies mitjançant la Data-Centric AI
Títol variant:	Improving medical diagnostic models for colonoscopies using Data-Centric AI
Data:	2026
Resum:	Aquest treball desenvolupa un flux de treball Data-Centric AI automatitzat per millorar la classificació multiclasse de pòlips colorectals a partir de vídeos i imatges de colonoscòpia anotats per especialistes. El flux de treball expandeix i refina el conjunt d'entrenament mitjançant l'extracció selectiva de fotogrames, la detecció de pòlips i la reducció de la redundància temporal, sense modificar les arquitectures dels classificadors. Es va avaluar utilitzant EfficientNetB0 i ViT-Small, mantenint fixos els conjunts de validació i de proves. El rendiment de validació va millorar per a ambdues arquitectures, però la millora no es va reproduir de manera consistent en un conjunt de proves extern multicèntric. Els resultats mostren la utilitat de l'enfocament dins del domini d'entrenament i la necessitat d'incorporar una major diversitat de centres i dispositius d'adquisició.
Resum:	This work develops an automated Data-Centric AI workflow to improve the multiclass classification of colorectal polyps from colonoscopy videos and images annotated by specialists. The workflow expands and refines the training set through selective frame extraction, polyp detection, and temporal redundancy reduction, without modifying the classifier architectures. It was evaluated using EfficientNetB0 and ViT-Small while keeping the validation and test sets fixed. Validation performance improved for both architectures, but the improvement was not consistently reproduced on an external multicenter test set. The results show the usefulness of the approach within the training domain and the need to incorporate greater diversity of centers and acquisition devices.
Resum:	Este trabajo desarrolla un flujo automatizado basado en Data-Centric AI para mejorar la clasificación multiclase de pólipos colorrectales a partir de vídeos de colonoscopia e imágenes anotadas por especialistas. El flujo amplía y refina el conjunto de entrenamiento mediante la extracción selectiva de fotogramas, la detección de pólipos y la reducción de redundancia temporal, sin modificar la arquitectura de los clasificadores. Se evaluó con EfficientNetB0 y ViT-Small, manteniendo fijos los conjuntos de validación y test. El rendimiento mejoró en validación para ambas arquitecturas, pero no de forma consistente en un test externo multicéntrico. Los resultados muestran la utilidad del enfoque dentro del dominio de entrenamiento y la necesidad de incorporar mayor diversidad de centros y dispositivos.
Drets:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, sempre i quan aquestes es distribueixin sota la mateixa llicència que regula l'obra original i es reconegui l'autoria.
Llengua:	Castellà
Titulació:	Enginyeria Informàtica [2502441]
Pla d'estudis:	Enginyeria Informàtica [958]
Document:	Treball final de grau
Àrea temàtica:	Menció Computació
Matèria:	Colonoscòpia ; Visió per ordinador ; Data-Centric AI ; Dades desequilibrades ; Classificació multiclasse ; Colonoscopy ; Computer Vision ; Imbalanced Data ; Multiclass Classification ; Clasificación multiclase ; Colonoscopia ; Datos desequilibrados ; Visión por computador

14 p, 4.3 MB

El registre apareix a les col·leccions:
Documents de recerca > Treballs de final de grau > Escola d'Enginyeria. TFG