APRÈN. Portal de la producció docent del professorat de la UPC

This project focuses on predicting extended stays in the Intensive Care Unit (ICU) at Vall d'Hebron Hospital, using machine learning techniques applied to clinical data. The main goal is to develop a predictive model capable of identifying patients likely to experience above-average stays, thus optimizing the management of resources such as beds and medical staff. Over 3,000 ICU admission records were analyzed, and advanced data processing and feature selection techniques were applied to create an optimized dataset. Various classification algorithms, including TabTransformer, XGBoost, SVM, and ensemble models, were evaluated using metrics like AUC-ROC, sensitivity, and specificity. The results show that the proposed approach improves the ability to predict extended stays, providing a valuable tool for hospital planning and decision-making in clinical settings.

L'anàlisi de sang mitjançant frotis sanguinis constitueix una eina molt útil per a la detecció d'anomaliesi patologies.El grup d'investigació CellsiLAB, resultat de la col·laboració de la Universitat Politècnica de Catalunya i l'Hospital Clínic, ha desenvolupat mètodes automàtics de classificació de cèl·lules sanguínies per a diferents malalties. És necessari també desenvolupar una eina de classificació per aquells limfomesque tenen una incidènciao prevalençamolt baixa i no es tenen dades suficients per tractar el problema com una classificació d'imatges convencional. Aquest projecte presenta un marc teòric de la fisiologia i biologia necessàries per comprendre els cinc tipus de limfomes que es classificaran: el limfoma de Burkitt, el limfoma fol·licular, la tricoleucèmia (HCL), el limfoma de cèl·lules del mantell (LCM) i la leucèmia limfocítica crònica (LLC). S'estableixen també fonaments de xarxes neuronals i Few-Shot Learning (FSL).S'utilitzaran les arquitectures ResNet34 i ResNet50 per establir una metodologia de classificació convencional on s'aconsegueixen unes exactitudsdel 93% i del 98% respectivament. S'utilitzaran xarxes neuronals siameses (SNN) per afrontar el problema des del punt de vista del FSL. Utilitzar una xarxa neuronal siamesa amb arquitectura ResNet34 preentrenada aconsegueix els millors resultats de classificació.

El análisis de sangre periférica mediante análisis del frotis es una útil herramienta para la detección de enfermedades y anomalías. Ya sea mediante microscopía o gracias al uso de maquinaria automática especializada, se pueden llevar a cabo numerosos exámenes de fluidos o segregaciones corporales de gran utilidad diagnóstica. Como en el caso de este trabajo, el estudio o análisis de células hematológicas que circulan en sangre periférica requiere de una tinción específica a la hora de mejorar el contraste y visibilidad en el microscopio manual o motorizado como el Cellavision DM96. El equipo de CellsiLAB, grupo de investigación fruto de la colaboración del Hospital Clínic y la Universidad Politécnica de Cataluña, ha desarrollado modelos de redes neuronales para llevar a cabo clasificaciones automáticas de las células sanguíneas anómalas según su índole (linfocitos anormales en diferentes tipos de linfoma, blastos en leucemias agudas, linfocitos reactivos en infecciones, entre otros casos). Asimismo, ocurre que las muestras obtenidas en hospitales ajenos son más susceptibles a ser clasificadas erróneamente por dichos modelos al no compartir características de color, tinción y textura. Es aquí donde entran las GANs, traducido al español RGAs, Redes Generativas Antagónicas, un tipo de redes neuronales artificiales que han experimentado una enorme evolución en los últimos años. La particularidad de estas arquitecturas es que generan imágenes a partir del aprendizaje de un conjunto de datos. Por ende, se ha aprovechado esta cualidad para transformar las imágenes del dominio X (Hospital Germans Trias i Pujol) en el dominio Y (Hospital Clínic) y así emular las características de color, tinción y textura de este último. Tras esta transformación se ha conseguido mejorar la efectividad en la clasificación de las imágenes tomadas en el Hospital Germans Trias i Pujol por parte de los modelos de redes neuronales convolucionales pre-entrenados con datasets del Hospital Clínic. Para las transformaciones se han utilizado las arquitecturas CycleGAN y ColorizationGAN, mientras que para las clasificaciones se han utilizado: ResNet 18, ResNet 34, ResNet 18 con focal loss y ResNet 34 con focal loss. Se ha logrado mejorar la exactitud de la clasificación del 34% a al 81%.

Aquest treball consisteix en el disseny i desenvolupament d'un prototip per al reconeixement de cèl·lules sanguínies, per a realitzar un diagnòstic temprà, i l'estudi de tots els conceptes teòrics necessaris per a la comprensió total del treball. Aquest procés comença en l'estudi del camp de la intel·ligència artificial dedicat a les xarxes neuronals i el món del machine learning, camp que en els darrers anys ha guanyat importància. Analitzant els diferents tipus de problemes possibles i la manera més adient d'atacar-los, entendre que són les xarxes neuronals i les metodologies que utilitzen. Un cop entesa la base teòrica, s'analitza un model de classificació de cèl·lules ja existent: que fa, com ho fa i els resultats obtinguts, així com el model preentrenat Xception utilitzat en aquest. Familiaritzats amb el model, es desenvolupa una aplicació web de caràcter local, en l'entorn de treball Dash, per a ordinadors o similars, capaç d'interactuar amb el model, presentant així una eina de treball per a personal mèdic per poder aprofitar tot el potencial del model d'una manera ràpida i eficaç. Finalment, l'aplicació s'integra dins d'una placa de desenvolupament prou potent per a operar models de xarxes neuronals amb una mida molt reduïda, esdevenint el prototip de dispositiu mèdic portàtil per a la classificació de cèl·lules.

La observación de la morfología eritrocitaria y, por ende, la detección de posibles alteraciones eritrocitarias, tiene un gran valor diagnóstico, ya que puede ser indicio de diferentes patologías como pueden ser las anemias. Estas alteraciones pueden ser de diversos tipos, alteraciones en su tamaño, en su forma, o en su coloración hemoglobínica, así como también presentar diferentes tipos de inclusiones. El proceso de observación y clasificación requiere de personal cualificado y con experiencia en el campo, ya que en muchas ocasiones la diferencia entre las distintas alteraciones es muy sutil, y el diagnóstico depende de ellas. Este trabajo pretende, gracias al desarrollo de técnicas de aprendizaje profundo de los últimos años, conseguir un algoritmo automatizado con la capacidad para clasificar adecuadamente y con fiabilidad imágenes de diferentes tipos células sanguíneas, en concreto plaquetas, eritrocitos y algunas de sus principales alteraciones morfológicas (esferocitos, drepanocitos, reticulocitos, cuerpos de Pappenheimer, cuerpos Howell-Jolly y punteado basófilo). Se ha utilizado la técnica de transferencia de aprendizaje con fast.ai, que, en lugar de entrenar una Red Neuronal Convolucional desde cero, utiliza redes ya entrenadas como punto de inicio. El conjunto de imágenes con las que se ha entrenado el modelo ha sido proporcionado por parte del Laboratorio Core del Hospital Clínic. Se ha llegado a obtener una precisión en la clasificación de más del 96 % con tres modelos diferentes, ResNet 34, ResNet 50 y DenseNet 169, y más del 97 % con DenseNet 121. Por tanto, el uso de estas técnicas da un resultado bastante satisfactorio y puede ser una buena herramienta de apoyo para el personal responsable

Existe una gran variedad de patologías que afectan a los glóbulos blancos, desde enfermedades benignas a patologías graves. Las leucemias son patologías que se originan por proliferaciones incontroladas de los precursores inmaduros de los elementos sanguíneos que circulan en la sangre (leucocitos, hematíes y plaquetas). Los linfomas son proliferaciones incontroladas de la serie linfoide en los tejidos donde tiene lugar su maduración (órganos linfoides). Para su diagnóstico se realiza un análisis morfológico de las células extraídas de la sangre periférico (vasos sanguíneos). Esta técnica para algunas patologías es imprescindible y requiere de personal cualificado y experto, ya que la morfología entre los diferentes estados de maduración de los glóbulos blancos tiene diferencias leves. La morfología celular en patologías como los estados febriles muestra cambios que también presentan las células que proliferan en otras patologías graves como las leucemias. Por lo tanto, es de vital importancia para los pacientes, realizar una clasificación celular correcta con el fin de determinar la gravedad patológica y derivar al paciente al especialista médico adecuado en la mayor brevedad posible. Existen equipos que preclasifican células sanguíneas, pero son muy costosos y funcionan mejor con células normales. El objetivo de este trabajo es implementar un algoritmo automatizado que permita clasificar las imágenes de las células extraídas de los vasos sanguíneos de una forma general, en cuatro tipos de células: linfocitos anormales asociados a linfomas, blastos asociados a leucemias, linfocitos normales y linfocitos reactivos asociados a patologías infecciosas benignas. Para ello se utilizan herramientas de análisis profundo de redes neuronales convolucionales. Se preprocesa el conjunto de datos proporcionado por los profesionales del Laboratorio Core del Hospital Clínic de Barcelona e investigadores del grupo CoDAlab. Se trata de imágenes digitales de sangre periférica, y se utilizan para entrenar algoritmos con diferentes técnicas: entrenamiento de una red neuronal convolucional desde cero, extracción de características con modelos preentrenados y ajuste fino (Fine Tuning) de modelos preentrenados con transferencia de aprendizaje. Después de los diferentes experimentos, se consigue un algoritmo con efectividad de clasificación de células de un 96,25% con el modelo Xception, por lo que se puede concluir, que el uso de redes neuronales convolucionales para clasificación de células es satisfactorio.

Els progressos en la investigació en computer vision en l'àmbit d'Anàlisi d'Imatges Mèdiques han promogut el desenvolupament de sistemes automàtics oferint suport als professionals mèdics a prendre millors decisions sobre la salut del pacient. En particular, la detecció i recompte de les cèl·lules infectades per paràsits té un paper important, ja que diagnosticar a temps un cas de paludisme pot ser vital per al pacient. En aquest sentit, existeix una necessitat emergent d'identificar automàticament el percentatge d'infecció com una eina de suport a l'eficiència dels experts clínics. Aquesta tesi pretén detectar automàticament les cèl·lules infectades per paràsits de malària, donant així el percentatge de parasitèmia total. El marc proposat es basa en l'aplicació de tècniques de preprocessat d'imatges, segmentació, watershed, transformada circular de Hough. Finalment, una avaluació comparativa de les prestacions que ofereix aquest algoritme en comparació amb la detecció manual realitzada per patòlegs del Hospital clínic ens permet determina el grau de exactitud que presenta l'algoritme.

L'anèmia hemolítica és una condició en la qual l'esperança de vida dels glòbuls vermells es veu disminuïda i, com a conseqüència, la massa d'aquests en sang és inferior a l'esperada. La característica principal d'aquesta alteració és la producció d'eritròcits amb una morfologia anòmala. Es pretén crear una eina automàtica de detecció i classificació dels tipus de glòbuls vermells que permeti diagnosticar el perfil d'anèmia a partir de l'anàlisi dels frotis sanguinis. Aquest projecte es centra a identificar l'esferòcit i el drepanòcit vers el glòbul vermell sa. L'esferòcit es caracteritza per tenir una forma esferoïdal i estar mancat de la zona de pal·lidesa central de l'eritròcit normal. El drepanòcit, en canvi, es disposa en una forma semilunar. S'obtenen 600 imatges d'hematies de 30 frotis de sang perifèrica procedents de 17 pacients diferents. Es processen les imatges i els eritròcits que les formen es sotmeten a una segmentació. Per a dur a terme aquest procés s'utilitza el programa MATLAB. Es determinen una sèrie de descriptors (de mida, forma i color) necessaris per a la identificació de les diverses variacions dels eritròcits i es classifiquen els descriptors segons la importància que tenen en la diferenciació d'esferòcits i drepanòcits. Finalment, es realitza una anàlisi estadística dels diferents descriptors per a la comparació dels tres tipus d'eritròcits analitzats. Segons els resultats obtinguts, es pot afirmar que els algoritmes creats permeten diferenciar els esferòcits i els drepanòcits dels glòbuls vermells normals.

Un total de 300.000 nens neixen cada any al món amb una hemoglobinopatia major, inclosa l'Hemoglobinopatia S (HbS), que constitueix una de les alteracions genètiques més freqüents en determinats països. Aquesta alteració es caracteritza per una anomalia en la morfologia dels eritròcits (glòbuls vermells), i doncs, la identificació automàtica de les formes eritrocitàries anòmales pot contribuir a la seva detecció i diagnòstic. Es desenvolupa un mètode de classificació automàtica de drepanòcits o “sickle cells” en frotis de sang perifèrica (SP) mitjançant mètodes de processament digital d'imatges. S'inclou la implementació de descriptors per la identificació de les formes eritrocitàries anòmales, característiques d'aquesta entitat. S'inclouen un total de 20 frotis de SP tenyits amb la tècnica May Grünwald-Giemsa (MGG) i procedents de set pacients diagnosticats d'anèmia falciforme. S'analitzen un total de 320 imatges d'hematies a 1000 augments, obtingudes mitjançant el microscopi Olympus BX43 i la càmera digital Olympus DP73. Pel processament i segmentació s'utilitza el programa MATLAB. L'anàlisi de característiques permet seleccionar aquelles més rellevants per diferenciar els drepanòcits dels grups normals i reticulòcits. Així doncs, el disseny elaborat permet discriminar els drepanòcits, i es considera un sistema capaç de contribuir en la detecció, quantificació i diagnòstic de la HbS utilitzant microscòpia digital.