Modelo de machine learning para clasificación de pacientes con glaucoma en la población del Valle del Cauca

Abstract

En este trabajo de grado se formuló una propuesta para abordar el problema de modelos de Machine Learning (ML) no adaptados a las características raciales/étnicas de la población del Valle del Cauca para clasificar pacientes con Glaucoma. Para hacerlo, se usó la metodología CRIPS-DM (CRoss Industry Standard Process for Data Mining) Project que aborda las seis fases del ciclo de un proyecto de analítica de datos. Los modelos, técnicas y herramientas de la ciencia de datos usados para abordar la solución al problema fueron modelos de Deep Learning usando Redes Neuronales Convolucionales y de Transfer Learning usando Inception V3. La validación a la que fue sometida la propuesta consistió en evaluar los modelos entrenados en la muestra de test que fue reservada y se analizaron los resultados obtenidos en una matriz de confusión, obteniendo que el mejor modelo para clasificación del glaucoma es el modelo Inception V3 como el mejor clasificador, con un AUC ROC en el set de validación del 0.8706 y 0.9084 en el set de test, esto se logró al contar con un gran número de imágenes para entrenamiento y un modelo que fue previamente preentrenado, disminuyendo los efectos adversos de contar con una baja cantidad de datos y clases desbalanceadas. Finalmente, se puede afirmar que el enfoque de solución propuesto y la metodología empleada para obtener los resultados reportados son aceptables y permiten a futuro seguir explorando modelos más precisos.