{"id":{"repo_id":"catalunya","oai_identifier":"oai:openaccess.uoc.edu:10609/155919"},"canonical_url":"https://search.dev.ndltd.org/etd/catalunya/oai:openaccess.uoc.edu:10609/155919","repository":{"repo_id":"catalunya","name":"Universitat Oberta de Catalunya","base_url":"https://openaccess.uoc.edu/server/oai/request"},"display":{"title":"Sistema de apoyo al triaje clínico en radiografías de tórax mediante Deep Learning, con explicabilidad y estimación de incertidumbre.","abstract":"Este Trabajo de Fin de Grado presenta el desarrollo de un sistema de apoyo al triaje clínico en radiografías de tórax basado en técnicas de Deep Learning. El objetivo principal del trabajo consiste en identificar automáticamente estudios con posibles hallazgos urgentes para contribuir a su priorización dentro del flujo de trabajo radiológico. Para ello, se utilizó el dataset público CheXpert y una red neuronal convolucional basada en ResNet-50, empleando técnicas de transfer learning y fine-tuning sobre radiografías en proyección posteroanterior (PA). Además del análisis de clasificación, el trabajo incorpora técnicas de explicabilidad mediante Grad-CAM y métodos de calibración de la probabilidad y cuantificación de incertidumbre basados en Venn-Abers, con el objetivo de avanzar hacia sistemas de inteligencia artificial más confiables en el ámbito sanitario. Durante el desarrollo experimental se aplicaron estrategias de validación cruzada, ajuste de hiperparámetros y calibración de la probabilidad. Estas técnicas permitieron evaluar la capacidad de generalización del modelo, adaptar su configuración al problema de clasificación planteado y obtener estimaciones de probabilidad más fiables. Los resultados obtenidos muestran un comportamiento satisfactorio tanto en capacidad discriminativa como en explicabilidad e incertidumbre de las predicciones. Finalmente, el trabajo también considera aspectos relacionados con la iii supervisión humana, la interpretabilidad limitada de los modelos de Deep Learning y el impacto ético-social asociado al uso de sistemas de apoyo clínico basados en inteligencia artificial.","abstract_html":"Este Trabajo de Fin de Grado presenta el desarrollo de un sistema de apoyo al triaje clínico en radiografías de tórax basado en técnicas de Deep Learning. El objetivo principal del trabajo consiste en identificar automáticamente estudios con posibles hallazgos urgentes para contribuir a su priorización dentro del flujo de trabajo radiológico. Para ello, se utilizó el dataset público CheXpert y una red neuronal convolucional basada en ResNet-50, empleando técnicas de transfer learning y fine-tuning sobre radiografías en proyección posteroanterior (PA). Además del análisis de clasificación, el trabajo incorpora técnicas de explicabilidad mediante Grad-CAM y métodos de calibración de la probabilidad y cuantificación de incertidumbre basados en Venn-Abers, con el objetivo de avanzar hacia sistemas de inteligencia artificial más confiables en el ámbito sanitario. Durante el desarrollo experimental se aplicaron estrategias de validación cruzada, ajuste de hiperparámetros y calibración de la probabilidad. Estas técnicas permitieron evaluar la capacidad de generalización del modelo, adaptar su configuración al problema de clasificación planteado y obtener estimaciones de probabilidad más fiables. Los resultados obtenidos muestran un comportamiento satisfactorio tanto en capacidad discriminativa como en explicabilidad e incertidumbre de las predicciones. Finalmente, el trabajo también considera aspectos relacionados con la iii supervisión humana, la interpretabilidad limitada de los modelos de Deep Learning y el impacto ético-social asociado al uso de sistemas de apoyo clínico basados en inteligencia artificial.","abstract_has_math":false,"creators":["Condés López-Cepero, José Manuel"],"institution":"Universitat Oberta de Catalunya (UOC)","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026-06-10","date_published":"2026-06-10","updated_at":"2026-07-27T19:07:20Z","subjects":["Aprendizaje profundo","Triaje Radiológico","Inteligencia Artificial Confiable","Deep Learning","Radiological Triage","Trustworthy Artificial Intelligence"],"languages":["spa"],"rights":["Attribution-NonCommercial 4.0 International"],"rights_urls":["https://creativecommons.org/licenses/by-nc/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"https://hdl.handle.net/10609/155919","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.other","label":"Dc Contributor Other","values":["Sánchez Castaño, Friman"]},{"key":"dc:creator","label":"Author","values":["Condés López-Cepero, José Manuel"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2026-07-14T08:37:03Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2026-07-14T08:37:03Z"]},{"key":"dc:date.issued","label":"Date","values":["2026-06-10"]},{"key":"dc:publisher","label":"Institution","values":["Universitat Oberta de Catalunya (UOC)"]},{"key":"dc:type","label":"Dc Type","values":["info:eu-repo/semantics/bachelorThesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Aprendizaje profundo","Triaje Radiológico","Inteligencia Artificial Confiable","Deep Learning","Radiological Triage","Trustworthy Artificial Intelligence"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["Attribution-NonCommercial 4.0 International"]},{"key":"dc:rights.uri","label":"Rights URI","values":["https://creativecommons.org/licenses/by-nc/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/10609/155919"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Este Trabajo de Fin de Grado presenta el desarrollo de un sistema de apoyo al triaje clínico en radiografías de tórax basado en técnicas de Deep Learning. El objetivo principal del trabajo consiste en identificar automáticamente estudios con posibles hallazgos urgentes para contribuir a su priorización dentro del flujo de trabajo radiológico. Para ello, se utilizó el dataset público CheXpert y una red neuronal convolucional basada en ResNet-50, empleando técnicas de transfer learning y fine-tuning sobre radiografías en proyección posteroanterior (PA). Además del análisis de clasificación, el trabajo incorpora técnicas de explicabilidad mediante Grad-CAM y métodos de calibración de la probabilidad y cuantificación de incertidumbre basados en Venn-Abers, con el objetivo de avanzar hacia sistemas de inteligencia artificial más confiables en el ámbito sanitario. Durante el desarrollo experimental se aplicaron estrategias de validación cruzada, ajuste de hiperparámetros y calibración de la probabilidad. Estas técnicas permitieron evaluar la capacidad de generalización del modelo, adaptar su configuración al problema de clasificación planteado y obtener estimaciones de probabilidad más fiables. Los resultados obtenidos muestran un comportamiento satisfactorio tanto en capacidad discriminativa como en explicabilidad e incertidumbre de las predicciones. Finalmente, el trabajo también considera aspectos relacionados con la iii supervisión humana, la interpretabilidad limitada de los modelos de Deep Learning y el impacto ético-social asociado al uso de sistemas de apoyo clínico basados en inteligencia artificial.","This Final Bachelor Degree Project presents the development of a clinical triage support system for chest X-rays based on Deep Learning techniques. The main objective of the project is to automatically identify studies with potentially urgent findings in order to support their prioritization within the radiological workflow. To achieve this, the public CheXpert dataset was used together with a convolutional neural network based on ResNet-50, employing transfer learning and fine-tuning techniques on posteroanterior (PA) chest radiographs. In addition to the classification task, the project incorporates explainability techniques based on Grad-CAM and probability calibration and uncertainty quantification methods based on Venn-Abers, with the aim of advancing towards more trustworthy artificial intelligence systems in the healthcare domain. During the experimental development, cross-validation, hyperparameter tuning and probability calibration strategies were applied. These techniques made it possible to evaluate the model’s generalization capability, adapt its configuration to the proposed classification problem and obtain more reliable probability estimates. The obtained results show satisfactory performance in terms of discriminative capability, explainability and prediction uncertainty. Finally, the project also considers aspects related to human supervision, the limited interpretability of Deep Learning models and the ethical-social impact associated with the use of artificial intelligence-based clinical support systems."]},{"key":"dc:title","label":"Title","values":["Sistema de apoyo al triaje clínico en radiografías de tórax mediante Deep Learning, con explicabilidad y estimación de incertidumbre."]}]}],"canonical_facts":{"dc:contributor.other":["Sánchez Castaño, Friman"],"dc:creator":["Condés López-Cepero, José Manuel"],"dc:date.accessioned":["2026-07-14T08:37:03Z"],"dc:date.available":["2026-07-14T08:37:03Z"],"dc:date.issued":["2026-06-10"],"dc:description.abstract":["Este Trabajo de Fin de Grado presenta el desarrollo de un sistema de apoyo al triaje clínico en radiografías de tórax basado en técnicas de Deep Learning. El objetivo principal del trabajo consiste en identificar automáticamente estudios con posibles hallazgos urgentes para contribuir a su priorización dentro del flujo de trabajo radiológico. Para ello, se utilizó el dataset público CheXpert y una red neuronal convolucional basada en ResNet-50, empleando técnicas de transfer learning y fine-tuning sobre radiografías en proyección posteroanterior (PA). Además del análisis de clasificación, el trabajo incorpora técnicas de explicabilidad mediante Grad-CAM y métodos de calibración de la probabilidad y cuantificación de incertidumbre basados en Venn-Abers, con el objetivo de avanzar hacia sistemas de inteligencia artificial más confiables en el ámbito sanitario. Durante el desarrollo experimental se aplicaron estrategias de validación cruzada, ajuste de hiperparámetros y calibración de la probabilidad. Estas técnicas permitieron evaluar la capacidad de generalización del modelo, adaptar su configuración al problema de clasificación planteado y obtener estimaciones de probabilidad más fiables. Los resultados obtenidos muestran un comportamiento satisfactorio tanto en capacidad discriminativa como en explicabilidad e incertidumbre de las predicciones. Finalmente, el trabajo también considera aspectos relacionados con la iii supervisión humana, la interpretabilidad limitada de los modelos de Deep Learning y el impacto ético-social asociado al uso de sistemas de apoyo clínico basados en inteligencia artificial.","This Final Bachelor Degree Project presents the development of a clinical triage support system for chest X-rays based on Deep Learning techniques. The main objective of the project is to automatically identify studies with potentially urgent findings in order to support their prioritization within the radiological workflow. To achieve this, the public CheXpert dataset was used together with a convolutional neural network based on ResNet-50, employing transfer learning and fine-tuning techniques on posteroanterior (PA) chest radiographs. In addition to the classification task, the project incorporates explainability techniques based on Grad-CAM and probability calibration and uncertainty quantification methods based on Venn-Abers, with the aim of advancing towards more trustworthy artificial intelligence systems in the healthcare domain. During the experimental development, cross-validation, hyperparameter tuning and probability calibration strategies were applied. These techniques made it possible to evaluate the model’s generalization capability, adapt its configuration to the proposed classification problem and obtain more reliable probability estimates. The obtained results show satisfactory performance in terms of discriminative capability, explainability and prediction uncertainty. Finally, the project also considers aspects related to human supervision, the limited interpretability of Deep Learning models and the ethical-social impact associated with the use of artificial intelligence-based clinical support systems."],"dc:identifier.uri":["https://hdl.handle.net/10609/155919"],"dc:language.iso":["spa"],"dc:publisher":["Universitat Oberta de Catalunya (UOC)"],"dc:rights":["Attribution-NonCommercial 4.0 International"],"dc:rights.uri":["https://creativecommons.org/licenses/by-nc/4.0/"],"dc:subject":["Aprendizaje profundo","Triaje Radiológico","Inteligencia Artificial Confiable","Deep Learning","Radiological Triage","Trustworthy Artificial Intelligence"],"dc:title":["Sistema de apoyo al triaje clínico en radiografías de tórax mediante Deep Learning, con explicabilidad y estimación de incertidumbre."],"dc:type":["info:eu-repo/semantics/bachelorThesis"]},"updated_at":"2026-07-27T19:07:20Z"}