Doctorado en Ingeniería

URI permanente para esta colección

https://repository.eia.edu.co/handle/11190/4261

Navegar

Examinando Doctorado en Ingeniería por Materia "Machine Learning"

Mostrando 1 - 2 de 2
  • Miniatura
    PublicaciónAcceso abierto
    Generación de imágenes sintéticas de radiografía de tórax con enfermedad pulmonar obstructiva crónica utilizando técnicas de inteligencia artificial
    (Universidad EIA, 2023) Sánchez Ocampo, María Manuela; Bonet Cruz, Isis; Montagut, Yeison
    RESUMEN: La implementación de modelos generativos en la medicina, particularmente en la generación de imágenes diagnósticas de la Enfermedad Pulmonar Obstructiva Crónica (EPOC), representa un avance significativo en la convergencia entre la inteligencia artificial y la práctica clínica. En el presente trabajo se proponen dos modelos de redes neuronales. El primero es AEPOC, diseñado para clasificar la EPOC partiendo de imágenes médicas, con una arquitectura que combina dos autoencoders para extraer los patrones distintivos de cada clase. El segundo modelo es LunGAN, un modelo generativo que sintetiza imágenes que reflejan las características de la EPOC a partir de datos clínicos derivados de los exámenes de función pulmonar. El presente trabajo aborda cuatro etapas importantes. La primera se enfoca en la adquisición y procesamiento de los datos clínicos de la base de datos obtenida del Hospital Pablo Tobón Uribe. La segunda etapa se dedica al análisis detallado de la información estructurada y no estructurada que permiten comprender la patología. La tercera etapa implica el diseño e implementación de múltiples modelos con la finalidad de crear imágenes que presenten las características relevantes de la patología. Finalmente, se realizó la evaluación de la calidad de las imágenes, que permite tener una visión integral sobre la semejanza entre las imágenes reales y generadas, lo cual respalda la capacidad de los modelos para imitar con precisión las imágenes de radiografía de tórax. EL modelo generativo propuesto posee un potencial para transformar los datos clínicos en representaciones visuales, abriendo posibilidades de formación y el aprendizaje de profesionales médicos al simular diversidad de escenarios y manifestaciones de enfermedad sin la necesidad de un gran número de pacientes reales. Este avance señala un futuro prometedor en la unión de la inteligencia artificial con el campo de la medicina, ofreciendo nuevas perspectivas para afrontar y avanzar en los desafíos actuales del tratamiento y diagnóstico pulmonar, con el objetivo de mejorar constantemente la calidad de la atención médica.
  • Miniatura
    PublicaciónSólo datos
    Sistema basado en inteligencia artificial para la evaluación de impactos financieros generados por riesgos climáticos de transición en organizaciones del sector alimentos procesados en Colombia
    (Universidad EIA, 2024) Pérez Pérez, Juan Fernando; Bonet Cruz, Isis; Sánchez-Pinzón, Maria Solange; Lochmuller, Christian
    RESUMEN: el cambio climático es uno de los fenómenos más importantes en la era actual y a su vez es un reto al que se enfrentan las organizaciones. La evaluación de los riesgos climáticos está tomando cada vez más relevancia. Para las organizaciones identificar, evaluar y gestionar los riesgos relacionados con el clima es un reto, ya que estos proceden de múltiples fuentes y poseen diferentes probabilidades de que ocurran. Esta investigación identifica y evalúa los principales riesgos climáticos de transición en una empresa del sector de alimentos procesados en Colombia. Por una parte se emplea Fuzzy Logic para la clasificación de los riesgos identificados, este enfoque permite el uso de expresiones lingüísticas para la priorización de los riesgos. Por otra parte, se emplean técnicas de inteligencia artificial para pronosticar variables que influyen en el análisis de los riesgos climáticos de transición, los cuales se pueden clasificar en regulatorios, tecnológicos y de mercado, empleando datos macroeconómicos y microeconómicos. Los resultados de esta investigación son un aporte en la comprensión de los impactos financieros generados por los riesgos climáticos de transición al desarrollar un factor de ajuste de riesgos climático de transición que captura los potenciales impactos de diferentes trayectorias climáticas o escenarios climáticos, dando la posibilidad de generar escenarios financieros para la organización. Finalmente, se propone un proceso metodológico para cuantificar el valor en riesgo, como un percentil de las pérdidas agregadas de los riesgos climáticos de transición en términos de un Climate Transition Value at Risk (CTVaR), suministrando a la organización del caso de estudio la posibilidad de gestionar e influir activamente en las potenciales pérdidas esperadas por la transición a una economía baja en carbono y mejorar con este indicador los procesos de toma de decisiones empresariales