| Summary: | 3 Evaluar la habilidad de los modelos de deep leaning para la calificación de biopsias HER2 de cáncer de mama comparadas con enfoques clásicos de aprendizaje de máquina TOTAL Comparación de desempeño de método de aprendizaje débilmente supervisado evaluado en OE2 (Oliveira et al 2020) versus dos métodos tradicionales de aprendizaje máquina: Support Vector Machines (SVM) y Random Forest (RF). En ambos casos, para el método de aprendizaje profundo, como para los métodos dtradicionales de aprendizaje automático, se usó el gold-standar generado en OE1 como dataset de entrenamiento y evaluación. Para la comparación se realizaron 10 iteraciones, dividiendo el conjunto de datos en 70% para entrenamiento y 30% para evaluación. Otro(s) aspecto(s) que Ud. considere importante(s) en la evaluación del cumplimiento de objetivos planteados en la propuesta original o en las modificaciones autorizadas por los Consejos. Las consecuencias de la pandemia mundial por Covid-19 jugó un importante rol en la ausencia de viajes a pasantías planificadas con anterioridad para los años 2020, 2021 y 2022. Además, también existieron implicancias en rendimiento y productividad de investigadora principal y tesistas asociados al proyecto. Si bien se lograron totalmente todos los objetivos planteados en la formulación del proyecto, no se alcanzó a enviar a publicación dos manuscritos en proceso de elaboración con resultados de tesis terminadas. RESULTADOS OBTENIDOS:OE1: Evaluar el rendimiento de los modelos de aprendizaje profundo para obteneretiquetas de consenso entre las de patólogos con diferente nivel de experiencia encáncer de mamaRecolección de opiniones de tres patólogos de reconocida trayectoria para 1,252 parches debiopsias HER2 de cáncer de mama (muestras recolectadas y digitalizadas como resultado deproyecto previo FONDECYT 3160559). Las opiniones se recolectaron de forma independientey bajo las mismas condiciones para permitir evaluar variabilidad inter e intra patólogos.Análisis de variabilidad inter e intra patólogo sobre los ...
|
|---|