Programa del congreso
Resúmenes y datos de las sesiones para este congreso. Seleccione una fecha o ubicación para mostrar solo las sesiones en ese día o ubicación. Seleccione una sola sesión para obtener una vista detallada (con resúmenes y descargas, si están disponibles).
|
Resumen diario |
| Sesión | |
|
Ju-S4.1-IAIm: Inteligencia artifical en imagen médica (II) Lugar: Salón de Actos Presidente de la sesión: Monica Abella García Presidente de la sesión: José Antonio Pérez Carrasco | |
    | |
8:30 - 8:45
EVALUACIÓN PRELIMINAR DE HERRAMIENTAS DE MACHINE LEARNING PARA EL DIAGNÓSTICO INMUNOHEMATOLÓGICO DE ALOANTICUERPOS ERITROCITARIOS EN EL BANCO DE SANGRE 1: Servei d'Hematologia HU Vinalopó, Hospital Universitario Vinalopó, 03293 Alicante, España; 2: Fundación Para el Fomento de la Investigación Sanitaria y Biomédica (FISABIO), 46020 Valencia, España; 3: Instituto Interuniversitario de Investigación en Bioingeniería y Tecnología Orientada al Ser Humano, Universitat Politècnica de Valencia, Camino de Vera s/n, 46022 Valencia, España La identificación de aloanticuerpos eritrocitarios es crucial para la seguridad transfusional, pero la interpretación visual de las pruebas en tarjetas de gel es subjetiva y propensa a variabilidad. En este estudio se explora el uso de modelos de deep learning (AlexNet, ResNet18, ResNet50, EfficientNet-B0 y ConvNeXt-Tiny) con el objetivo de estandarizar la interpretación, reducir la subjetividad y optimizar los tiempos de respuesta en la identificación de aloanticuerpos a partir de imágenes digitales de pruebas de gel, mejorando así la trazabilidad en los bancos de sangre. Este trabajo representa uno de los primeros intentos documentados de automatizar la interpretación de pruebas inmunohematológicas de gel mediante deep learning, demostrando su viabilidad para mejorar la estandarización y eficiencia diagnóstica en bancos de sangre. Se empleó un conjunto de 770 imágenes etiquetadas por expertos y se aplicó transfer learning con fine-tuning parcial de los pesos. Los resultados mostraron un alto rendimiento en todos los modelos, siendo ResNet-50 el que alcanzó la mayor balanced accuracy (96\,\%), seguido de AlexNet (95\,\%) y ResNet-18 (94\,\%), lo que sugiere que, ante conjuntos de datos reducidos, los modelos ligeros pueden aprovechar mejor la información disponible y ofrecer un rendimiento competitivo con menor coste computacional.
| |