Programa del congreso

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.

Este trabajo propone un procedimiento automatizado y reproducible para estudiar la toxicidad hematológica en pacientes con cáncer de pulmón tratados con radioterapia. Se desarrolló una estrategia de segmentación del esqueleto mediante TotalSegmentator y de la médula ósea a través de umbralización Otsu en 2D con posprocesado morfológico, alcanzando una coherencia anatómica robusta frente a segmentaciones manuales. A partir de estas segmentaciones, se construyó una amplia base de datos radiómica, con extracción de miles de descriptores de intensidad, geometría y textura, posteriormente reducidos mediante un esquema riguroso de filtrado estadístico, correlacional e informativo. Tras esto, se realizó un análisis univariante que reveló que un núcleo reducido de variables, especialmente de las familias GLSZM, GLDM y NGTDM, junto con descriptores morfológicos, mostró asociaciones significativas con toxicidades hematológicas de mayor severidad, particularmente en grado 3. Estos hallazgos indican que ciertos patrones de heterogeneidad y distribución de intensidades en la médula ósea son biomarcadores prometedores para predecir complicaciones hematológicas. Además, la automatización de la segmentación de la médula ósea representa un avance relevante al reducir la carga de trabajo de los especialistas y estandarizar el proceso, lo que facilita su integración en la práctica clínica. La metodología propuesta establece una base sólida para el desarrollo de futuros modelos predictivos multivariables y su potencial aplicación clínica en la personalización de la radioterapia, favoreciendo una planificación más segura y un seguimiento adaptado al riesgo de cada paciente.

Aunque la tomografía computarizada (TC) ha demostrado ser útil para el estudio del cráneo, tórax y columna en animales, su adopción en veterinaria como complemento a la radiografía plana está limitada por el coste y espacio adicional requeridos y el difícil acceso al animal. El sistema MultiVet responde a estas limitaciones integrando radiografía, fluoroscopia y TC en un solo sistema con geometría abierta de arco en C. Sin embargo, el no disponer de un gantry cerrado limita su rango de rotación impidiendo la adquisición de datos completos, lo que genera artefactos en la imagen reconstruida con métodos analíticos convencionales. Este trabajo presenta TikDL, un método híbrido que integra en un algoritmo iterativo la imagen obtenida tras procesar una reconstrucción analítica preliminar con un modelo de aprendizaje profundo (AP). La evaluación con datos veterinarios simulados muestra que TikDL suprime los artefactos evitando alucinaciones, demostrando su superioridad con respecto al uso exclusivo tanto de métodos iterativos como de AP.

Este trabajo explora un enfoque no supervisado de reconstrucción de imagen de resonancia magnética (MRI) basado en representaciones neuronales implícitas (INRs). Las INRs representan la imagen como una función continua de sus coordenadas espaciales, cuya estructura responde a una red neuronal de tipo perceptrón multicapa (MLP). En particular se estudia el rendimiento de una red basada en SIREN (SInusoidal Representation Networks) en reconstrucción MRI. Como contribución principal, se propone un esquema híbrido que integra INR como regularizador explícito sobre un método clásico de reconstrucción basado en codificación de sensibilidad (SENSE). La propuesta se evalúa sobre datos sintéticos, realizando un estudio de hiperparámetros, y posteriormente sobre datos reales del dataset \textit{fastMRI}, usando métricas de error cuantitativo y perceptual. Los resultados muestran que INR+SENSE mejora las reconstrucciones frente al método clásico, alcanzando valores competitivos respecto a los métodos supervisados en el \textit{public leaderboard} del reto fastMRI.

This study investigates digital staining techniques for breast cancer biopsy samples, with the aim of virtually generating immunohistochemical stains for key biomarkers such as HER2, Ki67, PR, and ER from routine hematoxylin and eosin (H&E) whole-slide images. Generative adversarial networks (GANs) are employed to transform H\&E-stained WSIs into synthetic IHC-stained images. Four models were evaluated and compared in terms of their ability to preserve morphological features and replicate the appearance of real IHC stains. The models evaluated in this work are CycleGAN, CUT, StainGAN, and HistAuGAN. The goal is to reduce reliance on costly biomarker staining procedures by providing an efficient and accessible alternative through digital pathology. The results show that CUT and HistAuGAN achieve superior preservation of cellular morphology and improved visual consistency relative to real IHC images. Although preliminary, these findings highlight the potential of digital staining techniques to be integrated into clinical workflows, reducing both costs and diagnostic time.

La neuropatía de fibras finas (NFF) es una enfermedad que provoca alteraciones en la transmisión de señales relacionadas con el dolor, la temperatura y el control autonómico, resultando en síntomas como cambios en la sensibilidad térmica. El sistema de regulación térmica y la temperatura cutánea son afectados, con focos en las extremidades (manos y pies), por lo que la termografía por infrarrojos (IRT) de las extremidades podría ofrecer información diagnóstica de la NFF. En este trabajo se comparan cuantitativamente imágenes de IRT de pacientes con NFF con controles sin alteraciones térmicas. Para la segmenta-ción de las extremidades en las imágenes se implementa una U-Net y se lleva a cabo un registro de plantillas para analizar distintas subregiones. Se realiza un estudio comparativo estadístico tanto entre grupos (NFF y controles) como entre subregiones en los pacientes con NFF. El uso de la U-Net para la segmentación de imágenes de IRT de las extremidades muestra rendimientos elevados. Se han encontrado diferencias estadísticamente significativas tanto en las manos como en los pies en los dos grupos de estudio. Las diferencias ocurren tanto a nivel global como en diversas subregiones y para diferentes características térmicas. Los resultados demuestran el potencial de la IRT como herramienta diagnóstica de la NFF.