VOLVER

Share

Desarrollan un método que mejora la evaluación de la calidad en la predicción de los sistemas de diagnóstico médico

Investigadores de la Universidad Pablo de Olavide han propuesto un método innovador para la evaluación de sistemas de diagnóstico, denominado curva IMCP, que muestra el rendimiento de la clasificación y, por otro lado, identifica para qué valores de la variable objetivo el modelo está ofreciendo mejor o peor calidad en la predicción. 

Fuente: Universidad Pablo de Olavide


Sevilla |
08 de julio de 2024

En el campo de la biomedicina, la evaluación de la calidad de los sistemas de diagnóstico es fundamental para garantizar que se aplican soluciones adecuadas. En los modelos predictivos tiene especial relevancia el hecho de que los valores objeto de estudio son de distinta clase (multiclase) y estas clases a su vez presentan una gran variedad en su frecuencia. Es lo que se conoce como desbalanceo o desequilibrio de datos.

En contextos médicos es de suma importancia disponer de un método capaz de mostrar la calidad del sistema en cuanto a las predicciones que realiza. Hasta ahora, para evaluar de forma gráfica la calidad de un sistema de diagnóstico solo existía la curva ROC (Receiver Operating Characteristic), un análisis utilizado para medir el coste/beneficio de decisiones diagnósticas, pero que no funciona con conjuntos de datos multiclase como, por ejemplo, distintos tipos de tumores.

El investigador de la Universidad Pablo de Olavide Jesús Aguilar.

Investigadores del grupo Data Analytics Science & Engineering, liderado por Jesús Aguilar, catedrático de Lenguajes y Sistemas Informáticos de la Universidad Pablo de Olavide, en colaboración con Marcin Michalak, investigador de la Silesian University of Technology (Polonia), han propuesto un método innovador para la evaluación de sistemas de diagnóstico, denominado curva IMCP, que muestra el rendimiento de la clasificación y, por otro lado, identifica para qué valores de la variable objetivo el modelo está ofreciendo mejor o peor calidad en la predicción.

La curva IMPC (Imbalanced Multiclass Classification Performance) ha sido evaluada en la predicción de 35 tipos de tumores a partir de una colección de 6.756 muestras de tumores metastásicos y primarios obtenidos por la Hartwig Medical Foundation (Países Bajos) y el Pan-Cancer Analysis of Whole Genomes Consortium, analizando un total de 511 características. Como resultado, se revela que un modelo predictivo para tumores aparentemente fiable (92,4% de exactitud en la predicción), podría mostrar un comportamiento desigual para diferentes tipos de tumores (bueno en la predicción de melanoma, pero malo en el caso de sarcoma), lo que necesariamente debería conducir a un examen humano más detallado en el caso de ciertos tipos de tumores, en consonancia con la fiabilidad del sistema de diagnóstico para esos casos.

Descripción de la metodología usada para la curva IMCP.

El análisis propuesto por Aguilar y Michalak permite evaluar el rendimiento para cada valor por separado. De este modo, revela en qué casos el rendimiento global oculta distintos resultados para diferentes tipos de valores (multiclase). Así, si el rendimiento global es del 92,4%, podría darse el caso en que el sistema diagnostique el melanoma con una exactitud del 98,6%, pero el sarcoma con 17,5%. Por tanto, la curva IMCP posibilita identificar la fiabilidad de la predicción a partir de conjuntos de datos de distinta clase.

El método, basado en el cálculo de distancias de funciones de distribución de probabilidad, es aplicable en contextos en donde la curva ROC no puede usarse, cubriendo un vacío existente en la actualidad en el campo de machine learning, con utilidad en multitud de disciplinas.

La curva IMCP puede visualizarse con facilidad a partir de las probabilidades de asignación a cada valor de la variable objetivo proporcionadas por el sistema de diagnóstico, mediante el uso de una librería implementada en Python, de acceso libre y código abierto, publicada en https://github.com/adaa-polsl/imcp. El trabajo ha sido publicado por la editorial Springer-Nature.

Referencia:

Aguilar-Ruiz, J.S., Michalak, M. ‘Classification performance assessment for imbalanced multiclass data’. Scientific Reports 14, 10759 (2024).


Share

Últimas publicaciones

Diseñan láminas impresas en 3D para reducir hasta cuatro veces los daños de las fresas durante el transporte
Córdoba | 21 de noviembre de 2026

Un equipo de investigación de la Universidad de Córdoba ha desarrollado un recubrimiento plástico que amortigua las vibraciones y los impactos dentro del empaquetado. La solución disminuye los golpes que recibe el fruto tanto en ensayos de laboratorio como en recorridos reales en caminos rurales.

Sigue leyendo
Neuromarketing para analizar cómo los jóvenes procesan campañas de igualdad
Málaga | 20 de noviembre de 2026

¿Cómo reciben los menores y adolescentes los mensajes publicitarios que promueven la igualdad de género? ¿Es suficiente con despertar una emoción o es necesario que comprendan también la causa social que transmite la campaña? Estas son algunas de las cuestiones que aborda una investigación liderada por la UMA que utiliza el neuromarketing como herramienta de análisis.

Sigue leyendo
Acogen 300 salinetes para contribuir a la conservación de este pez endémico de Andalucía
Sevilla | 20 de noviembre de 2026

La Universidad Pablo de Olavide se ha incorporado al Programa de Conservación del Salinete y Fartet de la Junta de Andalucía, una iniciativa que busca frenar el declive de estas dos especies de peces amenazadas y recuperar sus poblaciones en el medio natural. En el marco de esta colaboración, la Consejería de Sostenibilidad y Medio Ambiente ha autorizado la cesión a la UPO de 300 ejemplares de salinete (Aphanius baeticus), un pequeño pez que solo vive en Andalucía y cuyas poblaciones se encuentran en franco retroceso.

Sigue leyendo

#CienciaDirecta

Tu fuente de noticias sobre ciencia andaluza

Más información Suscríbete

Ir al contenido