Gathering AI solutions for building a meta-AI tool for chest X-Ray COVID- 19 diagnosis

Abstract

La intel·ligència artificial (IA) està revolucionant la imatge mèdica en millorar els diagnòstics, tot i que s’enfronta a barreres significatives per a la seva implementació. Aquesta tesi proposa superar aquests reptes mitjançant tècniques de visió per computador que milloren la qualitat de les dades i la robustesa dels models. Els experiments es centren en l’adaptació de domini, essencial perquè els models operin de manera efectiva en diferents contexts. A més, s’utilitzen Xarxes Generatives Antagòniques (GANs) per augmentar dades, i models open-set per garantir la qualitat de les dades. També s’han desenvolupat mètodes d’ensamblatge que combinen decisions de múltiples models, optimitzant les prediccions segons l’entropia i adaptant-se dinàmicament a l’origen de les imatges. Els models s’han avaluat amb conjunts de dades públics i privats, demostrant millores substancials en la precisió diagnòstica respecte als mètodes actuals. Aquestes innovacions posicionen aquestes eines com a solucions efectives per a la integració clínica.

La inteligencia artificial (IA) está revolucionando la imagen médica al mejorar diagnósticos, aunque enfrenta barreras significativas para su implementación. Esta tesis propone superar estos retos mediante técnicas de visión computacional que mejoran la calidad de datos y la robustez de los modelos. Se han realizado experimentos enfocados en la adaptación de dominio, esencial para que los modelos operen eficazmente en diferentes contextos. Además, se emplean Redes Generativas Antagónicas (GANs) para aumentar datos y modelos open-set para garantizar su calidad. También se han desarrollado métodos de ensamblaje que combinan decisiones de múltiples modelos, optimizando predicciones según la entropía y ajustándose dinámicamente al origen de las imágenes. Los modelos se han evaluado en conjuntos de datos públicos y privados, demostrando mejoras sustanciales en precisión diagnóstica frente a métodos actuales. Estas innovaciones posicionan estas herramientas como soluciones efectivas para su integración clínica.

Artificial intelligence (AI) is revolutionizing medical imaging by improving diagnostics, although it faces significant barriers to implementation. This thesis proposes overcoming these challenges through computer vision techniques that enhance data quality and model robustness. Experiments have been conducted focusing on domain adaptation, which is essential for models to operate effectively in different contexts. Additionally, Generative Adversarial Networks (GANs) are employed for data augmentation, and open-set models are utilized to ensure data quality. Ensemble methods have also been developed to combine decisions from multiple models, optimizing predictions based on entropy and dynamically adapting to the origin of the images. The models have been evaluated on public and private datasets, demonstrating substantial improvements in diagnostic accuracy compared to current methods. These innovations.