Seminario 14 de Mayo 2024

INVITADO INTERNACIONAL
Enzo Ferrante, PhD

TÍTULO: Equidad del aprendizaje automático en el análisis de imágenes médicas

RESUMEN: Las instituciones médicas de todo el mundo están adoptando sistemas de aprendizaje automático (AA) para ayudar en el análisis de datos de salud; al mismo tiempo, la comunidad investigadora de equidad en AA ha demostrado que estos sistemas pueden tener sesgos, lo que resulta en un rendimiento dispar para subpoblaciones específicas. En esta charla, discutiremos la relación entre el sesgo, el AA y los sistemas de salud, abordando el caso específico del sesgo de género en los clasificadores de rayos X [1] para el diagnóstico asistido por computadora [2].

BIO: El Dr. Enzo Ferrante completó su doctorado en Ciencias de la Computación en la Université Paris-Saclay (París, Francia) y trabajó como investigador postdoctoral en Imperial College London en el Reino Unido. También fue estudiante visitante en el Laboratorio CVGL de la Universidad de Stanford (2014), Investigador Visitante Fulbright en el Centro A. Martinos para Imágenes Biomédicas (Hospital General de Massachusetts - Escuela de Medicina de Harvard, 2021) en Boston, y Profesor Invitado DATAIA en la Université Paris-Saclay en Francia (2023-2024).

Regresó a Argentina en 2017, ocupando un puesto de investigador docente en el Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET) de Argentina. Regularmente se desempeña como miembro del comité de programas de importantes conferencias de imágenes médicas como MICCAI, MIDL, ISBI e IPMI, y ha organizado varios talleres en este contexto. Dirige el grupo de Aprendizaje Automático para Computación de Imágenes Biomédicas en el Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional, sinc(i). El Dr. Ferrante recibió el Premio Google para la Investigación en Inclusión (2022), el Premio Joven Investigador de la Academia Nacional de Ciencias de Argentina (2020) y el Premio Mercosur de Ciencia y Tecnología (2020) por sus contribuciones científicas a la IA para imágenes médicas y la equidad de la IA en este contexto. Sus intereses de investigación abarcan la inteligencia artificial y el análisis de imágenes biomédicas, centrándose actualmente en la equidad, la adaptación y generalización de dominios, la calibración y la segmentación anatómica de imágenes médicas.

INVITADO iHEALTH
Pablo Messina Gallardo

TÍTULO: Extracción y codificación: aprovechando modelos de lenguaje grandes y conocimientos médicos para mejorar la representación textual radiológica

RESUMEN: Los avances recientes en el aprendizaje de representaciones enfrentan desafíos en dominios especializados como la medicina, donde adquirir anotaciones de expertos para textos e imágenes es difícil debido a la disponibilidad limitada de profesionales médicos. Para abordar esto, proponemos un marco de trabajo de dos etapas destinado a extraer declaraciones factuales para mejorar las representaciones del codificador para diversas tareas posteriores. Primero, presentamos un Extractor de Hechos que aprovecha la eficacia de los modelos de lenguaje grandes en el dominio médico para obtener declaraciones factuales de conjuntos de datos específicos del dominio bien curados. En la segunda etapa, presentamos un Codificador de Hechos (CXRFE) basado en un modelo BERT que afinamos con funciones objetivo diseñadas para mejorar sus representaciones utilizando los datos recopilados. Además, nuestro marco introduce una métrica basada en incrustaciones (CXRFEScore) para evaluar sistemas de generación de texto de rayos X torácicos, utilizando las dos etapas de nuestro marco. A través de evaluaciones extensas, demostramos que nuestro extractor y codificador de hechos superan a múltiples métodos de vanguardia en tareas como clasificación de oraciones, inferencia de lenguaje natural y extracción de etiquetas de informes radiológicos. Además, mostramos que nuestra métrica es robusta, superando a las métricas existentes comúnmente utilizadas en la literatura de generación de informes.

BIO: Pablo Messina es estudiante de doctorado de sexto año en la Pontificia Universidad Católica de Chile. Sus profesores supervisores son Denis Parra (iHEALTH, CENIA) y Álvaro Soto (CENIA). Su tesis se centra en el problema de automatizar la generación de informes radiológicos a partir de imágenes de radiografías de tórax, utilizando redes neuronales y un enfoque explicado a través de preguntas y respuestas.

Galería