Modelo de machine learning aplicado al diagnóstico y clasificación de la malaria mediante redes neuronales convolucionales

VARONA GARRIDO, Gorka (2021) Trabajo de Fin de Máster (TFM)

La malaria es una enfermedad infecciosa y potencialmente mortal que afecta a millones de personas cada año, siendo uno de los factores principales, la carencia de recursos económicos y sanitarios que sufren los países menos desarrollados. El método de transmisión más común de esta afección se da mediante la picadura de mosquitos hembra del género Anopheles, la cual infecta al huésped, transmitiendo parásitos que viajan por el torrente sanguíneo, pudiendo causar desde fiebre, dolor de cabeza o escalofríos hasta insuficiencia renal, sangrado interno o finalmente, la muerte. A día de hoy, la malaria se detecta mediante un examen de sangre, en el que un microscopista experto observará las células del posible infectado en busca del parásito, pero dada la falta de recursos anteriormente comentados en varias zonas de África, el subcontinente asiático o Nueva Guinea, República Dominicana y Haití, la realización de este examen médico es costoso, y en muchas ocasiones no puede llevarse a cabo. Con el paso de los años, organizaciones de todo el mundo se han propuesto erradicar esta enfermedad apoyándose en tecnologías punteras como la Inteligencia Artificial o el Big Data. Gracias a este hecho, existen numerosos conjuntos de datos en internet, acerca de pacientes infectados y no infectados por malaria que pueden ser utilizados para investigación. En vista de que el principal problema que sufren los países más castigados por la enfermedad pasa en gran parte por la falta de microscopistas expertos en la fase de detección, se considera un modelo de machine learning una alternativa a modo de detectar la infección, dotando a un modelo de imágenes de células de pacientes infectados y no infectados y entrenando al mismo mediante redes neuronales convolucionales en busca de patrones que den como resultado un diagnóstico fiable. Para lograr esto, el modelo primero deberá pasar por un proceso de entrenamiento de aprendizaje supervisado, dónde irá aprendiendo de los miles de imágenes con las que se cuentan, para que este después sea capaz de hacer sus propias predicciones. De este modo, en zonas donde los recursos sean más limitados, podrían usar esta alternativa sin necesidad de contar con un microscopista experto, reduciendo así los tiempos del diagnóstico y mejorando sus redes sanitarias.
Malaria is an infectious and potentially fatal disease that affects millions of people each year, being one of the main factors, the lack of economic and health resources that suffers underdeveloped countries. The most common transmission method of this condition is through the bite of female mosquitoes of the genus Anopheles, which infects the host, transmitting parasites that travel through the bloodstream, which can cause from fever, headache or chills to kidney failure, internal bleeding or finally, death. Nowadays, malaria is detected through a blood test, an expert microscopist will observe the cells of the possible infected person in search of the parasite, but given the lack of resources previously mentioned in several areas of Africa, the Asian subcontinent or New Guinea, Dominican Republic and Haiti, the performance of this medical examination is expensive, and in many cases it cannot be carried out. Taking into account that the main problem suffered by the countries most affected by the disease, is largely due to the lack of expert microscopists in the detection phase, a machine learning model is considered an alternative to detect the infection, providing to this model images of cells of infected and uninfected patients and training it using convolutional neural networks looking for patterns giving as a result a reliable diagnosis. To achieve this, firstly the model must go through a training of supervised learning process, it will learn from the thousands of images that are available, being able to make its own predictions later. In this way, in areas resources are more limited, they could use this alternative without the need of an expert microscopist, reducing diagnosis times and improving their health networks.
  • Tipo de documento: Trabajo de Fin de Máster (TFM)
  • Directores: Juan Manuel Moreno Lamparero
  • Tipo de autorizacion: Acceso abierto
  • Título obtenido:
  • Derechos: CC Atribución-NoComercial-SinDerivadas 3.0 España