2026-04-17T07:18:18Zhttps://recercat.cat/oai/request

oai:recercat.cat:2117/4114112025-07-22T18:24:06Zcom_2072_1033col_2072_452951

urn:hdl:2117/411411 AI and Bayesian decision theory applied to the diagnosis of ROP requiring treatment Jaramillo Civill, Mariona Àrees temàtiques de la UPC::Matemàtiques i estadística Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial Neural networks (Computer science) Bayesian statistical decision theory Intel·ligència Artificial Teoria Bayesiana de la Decisió Xarxes Neuronals Recurrents Estimació Bayesiana Recursiva Retinopatia de la Prematuritat. Xarxes neuronals (Informàtica) Estadística bayesiana Classificació AMS::60 Probability theory and stochastic processes::60A Foundations of probability theory Classificació AMS::68 Computer science::68T Artificial intelligence Classificació AMS::60 Probability theory and stochastic processes::60J Markov processes La Retinopatia del Prematur (ROP) és un trastorn vascular que afecta aproximadament a dos terços dels nadons prematurs que pesen menys de 1250g en néixer. Tot i que la majoria dels casos es resolen sense intervenció, entre el 5% i el 10% evolucionen cap a una ROP severa, amb el risc de ceguesa permanent si no es tracta. El procés de diagnòstic tradicional, caracteritzat per la subjectivitat i la variabilitat de diagnòstic entre els metges, suposa un repte per a un diagnòstic consistent i precoç. Aquest estudi presenta un sistema de diagnòstic automatitzat pioner per a la ROP que requereix tractament, que integra una seqüència d'imatges de sessions consecutives juntament amb el pes al néixer i l'edat gestacional del nadó, apartant-se de l'enfocament convencional de confiar únicament en una sola imatge per pacient i ull. Aprofitant la Classificació Bayesiana Recursiva i les Xarxes Neuronals Recurrents, el model incorpora la progressió temporal de la malaltia a través de les sessions, demostrant un millor rendiment diagnòstic com ho evidencia la millora en la mètrica F1 per al diagnòstic de la ROP. Els estudis futurs es concentraran en perfeccionar aquests models i en intentar recopilar dades de més sessions, per tal d'intentar validar així els resultats obtinguts en aquest estudi. La Retinopatía del Prematuro (ROP) es un trastorno vascular en la retina que afecta a alrededor de dos tercios de los bebés prematuros que pesan menos de 1250g al nacer. Aunque la mayoría de los casos se resuelven sin intervención en varios meses, entre el 5% y el 10% progresan a ROP severa, lo que supone el riesgo de ceguera permanente si no se trata. El proceso de diagnóstico tradicional es subjetivo y varía significativamente entre los médicos, lo que representa un desafío en el diagnóstico consistente y temprano. Este estudio introduce un novedoso sistema de diagnóstico automatizado para la ROP que requiere tratamiento al incorporar una secuencia de imágenes de sesiones consecutivas junto con el peso al nacer y la edad gestacional del bebé, alejándose del enfoque convencional de depender únicamente de una imagen por paciente y ojo. Al incorporar la Clasificación Bayesiana Recursiva y las Redes Neuronales Recurrentes, el modelo incorpora la progresión temporal de la enfermedad a lo largo de las sesiones, demostrando un mejor rendimiento diagnóstico como lo evidencian la métrica F1 obtenida para el diagnóstico de ROP que requiere tratamiento. El trabajo futuro se centrará en refinar estos modelos y tratar de recopilar e incorporar datos de más sesiones para validar los resultados obtenidos en este estudio. Retinopathy of Prematurity (ROP) is a vascular disorder in the retina that affects around two-thirds of premature infants weighing less than 1250g at birth. Although most cases resolve without intervention within several months, 5% to 10% progress to severe ROP, posing the risk of permanent blindness if left untreated. The traditional diagnostic process is subjective and varies significantly among clinicians, which poses a challenge in consistent and early diagnosis. This study introduces a novel automated diagnostic system for ROP requiring treatment by incorporating a sequence of images from consecutive sessions alongside the baby's birth weight and gestational age, departing from the conventional approach of relying solely on a single image per patient and eye. By leveraging Recursive Bayesian Classification and Recurrent Neural Networks, the model incorporates temporal progression of the disease across sessions, demonstrating enhanced diagnostic performance as evidenced by improved F1 scores for ROP requiring treatment diagnosis. Future work will focus on refining these models and trying to collect and incorporate data from more sessions to validate the results derived from this study. Outgoing 2024-05-28 Bachelor thesis http://creativecommons.org/licenses/by-nc-nd/4.0/ Open Access Attribution-NonCommercial-NoDerivs 4.0 International Universitat Politècnica de Catalunya