Clasificadores bayesianos en la selección embrionaria en tratamientos de reproducción asistida

Abstract

Durante los últimos años se ha incrementado la aplicación de tecnologías computacionales, basadas en la minería de datos y el aprendizaje automático en diferentes áreas como la biología o la medicina, Un ejemplo es la aplicación de diferentes técnicas de la inteligencia artificial en un problema médico complejo como es la infertilidad en la pareja a través de sistemas de apoyo en los tratamientos de fertilización in-vitro. Debido a la incertidumbre inherente en la selección embrionaria en tratamientos de reproducción asistida en esta tesis se propone la adaptación de los clasificadores Bayesianos como soporte a la decisión del experto en la tarea de la selección embrionaria, combinando la experiencia del embriólogo y la información relacionada con la caracterización morfológica del embrión así como la información clínica de la paciente y del tratamiento. Por medio del proceso de la selección de un subconjunto de variables para la inducción de algunos de los clasificadores Bayesianos se exploró la confiabilidad de los clasificadores relacionando las variables seleccionadas con el criterio aplicado por el experto en el proceso de la selección embrionaria. Se amplió la información disponible hasta ahora de los tratamientos de reproducción humana asistida con medidas extraídas de la imagen del embrión entre ellas la medición del grosor de la membrana de la zona pelúcida. En esta tesis se aporta la medición automática del grosor de la membrana de la zona pelúcida para mejorar la precisión de los clasificadores Bayesianos en el desarrollo de un sistema de apoyo a la decisión del experto en el problema de la selección embrionaria. Las aportaciones de esta disertación abarcan la inducción de clasificadores Bayesianos, la propuesta de un multi-clasificador basado en el esquema conocido como /stacked-generalization/ adaptado al dominio continuo, la adaptación de los clasificadores Bayesianos con un aprendizaje sensible al coste y la mejora de la precisión de los clasificadores Bayesianos, por medio de procesos de selección de variables.