El cáncer se cobró 18,1 millones de muertes a nivel mundial en 2018 y $87,8 billones para cuidados de salud durante el
año 2014 en EEUU. El tremendo impacto que esta enfermedad supone a nivel mundial, junto con la disponibilidad cada
vez mayor de datos genómicos y transcriptómicos, han potenciado el interés en incorporar tecnologías de vanguardia,
como es el Aprendizaje Profundo (AI), a la lucha contra el cáncer. AI ha destacado en los últimos años, particularmente
por el rendimiento de los modelos de Redes Neuronales Convolucionales (RNC) en reconocimiento de imágenes. El
problema para el cual todos los modelos de este proyecto han sido entrenados es la predicción de supervivencia en
cáncer en un conjunto discreto de intervalos de tiempo a partir de datos de RNA-Seq, debido a la importancia que
el análisis de la supervivencia tiene en cuanto al estudio de los tratamientos contra el cáncer y su mejora. La propia
naturaleza de los datos biológicos trae consigo algunos inconvenientes cuando se usan para entrenar modelos de
RNC. Estos datos normalmente est´an formados por un número mucho mayor de variables (M) que de observaciones
(N). Esto se conoce como la maldición de la dimensionalidad (en inglés, the Curse of Dimensionality) (M>>N). Otro
inconveniente es la falta, a priori, de información espacial entre las variables biológicas. RNC son un tipo de modelo
concreto de Aprendizaje Profundo que está especialmente pensado para el procesado de imágenes, en las cuales los
píxeles que las componen se relacionan con sus píxeles vecinos. Esta relación se usa en las RNC para extraer más
conocimientos de las observaciones y tener, en consecuencia, un mejor rendimiento. En este proyecto se proponen
algunas estrategias para tratar de resolver estos dos inconvenientes. Con el objetivo de equipar a los perfiles de expresión
génica con estructura, cinco estrategias han sido propuestas, aplicadas y comparadas. ...
Buscar en Dimension
