Plataforma de IA para Medicina de Precisión en Oncología Cerebral
Proyecto de investigación de 24 meses que desarrolla una plataforma integral para el análisis de datos clínicos de pacientes con tumores cerebrales mediante algoritmos de Deep Learning, permitiendo diagnóstico personalizado y clasificación automatizada.
El Desafío
El diagnóstico de tumores cerebrales requiere integrar información de múltiples fuentes: imágenes histológicas, imágenes radiológicas, datos clínicos y datos ómicos (transcriptómica, epigenómica, genómica). Los profesionales médicos necesitan herramientas que unifiquen estos datos heterogéneos y asistan en la toma de decisiones clínicas, especialmente ante datasets limitados y estrictos requisitos de privacidad.
Mi Rol
Como investigador de IA y desarrollador de plataforma, lideré el desarrollo técnico completo:
- Diseñé y desplegué la plataforma completa de análisis clínico
- Investigué y desarrollé modelos de Deep Learning especializados en imágenes histológicas y radiológicas
- Implementé pipelines de entrenamiento distribuido para modelos PyTorch Lightning
- Diseñé estrategias de data augmentation y transfer learning para datasets médicos pequeños
- Desarrollé técnicas de interpretabilidad (explainability) para decisiones clínicas
- Validé científicamente los algoritmos con métricas adaptadas al contexto médico
Enfoque Técnico
Análisis multimodal:
- Integración de datos clínicos, imágenes médicas y datos ómicos en un pipeline unificado
- Modelos especializados para cada modalidad de datos
- Procesamiento de transcriptómica, epigenómica y genómica oncológica
Backend y ML:
- PyTorch + Lightning como framework principal para Deep Learning
- FastAPI como API REST de alto rendimiento para servir predicciones
- PostgreSQL para almacenamiento estructurado de datos clínicos
- Pipeline de entrenamiento distribuido con validación y evaluación automatizada
Frontend:
- React para interfaz clínica intuitiva orientada a profesionales médicos
- Visualización de resultados de análisis y predicciones
Desafíos Técnicos
- Multimodalidad: Integración efectiva de datos heterogéneos (imágenes, texto, datos ómicos) en un modelo unificado
- Datos limitados: Estrategias de data augmentation y transfer learning para compensar datasets pequeños
- Privacidad médica: Cumplimiento de normativas de protección de datos sanitarios (GDPR, regulación sanitaria española)
- Explicabilidad: Implementación de técnicas de interpretabilidad para que los clínicos confíen en las decisiones del modelo
- Validación clínica: Métricas y protocolos de evaluación adaptados al contexto médico real
Resultados
La plataforma permite a médicos e investigadores:
- Acelerar el diagnóstico de tumores cerebrales mediante clasificación automatizada
- Identificar nuevos biomarcadores terapéuticos a partir del análisis multiómico
- Personalizar tratamientos según el perfil molecular del paciente
- Facilitar la investigación colaborativa en medicina de precisión
Financiación
Proyecto financiado por la Agencia Valenciana de Innovación (AVI) bajo el expediente INNEST/2022/159, en colaboración con ISABIAL, FISABIO, AIJU y The New Horizons.