Doctoral Meeting: 'Técnicas de aprendizaje automático para la detección prenatal de recién nacidos pequeños y vulnerables'

Los bebés que nacen pequeños y vulnerables (SVN) enfrentan mayores riesgos de mortalidad y complicaciones de salud, incluidas futuras enfermedades cardíacas. Los modelos de detección actuales suelen centrarse en factores de riesgo aislados en lugar de evaluar al feto como un todo, lo que puede provocar la omisión de indicadores de restricción del crecimiento. El crecimiento fetal se estima normalmente mediante mediciones basadas en ultrasonidos, como la longitud del fémur y las circunferencias abdominal y craneal. Por lo tanto, el primer paso para mejorar el diagnóstico implica la segmentación precisa de estas estructuras anatómicas en las imágenes de ultrasonido fetal. Para este fin, empleamos arquitecturas establecidas, como UNet y nnUNet, por su demostrada eficacia para lograr resultados de última generación en el campo. Además, exploramos modificaciones de estas arquitecturas básicas para aprovechar las similitudes estructurales entre la cabeza y el abdomen, mejorando aún más el rendimiento de la segmentación. Como trabajo futuro, los marcadores de crecimiento fetal calculados se combinarán con datos multimodales -incluidos registros demográficos y médicos de la madre, y datos de población- con el objetivo de establecer un marco riguroso, seguro e imparcial para la evaluación del crecimiento fetal, que pueda llevar a un diagnóstico prenatal SVN más confiable.

• Directores: Marta Núñez García e Nicolás Vila Blanco
• Moderador de este DM: Pablo Gamallo