{"id":{"repo_id":"oviedo","oai_identifier":"oai:digibuo.uniovi.es:10651/66418"},"canonical_url":"https://search.dev.ndltd.org/etd/oviedo/oai:digibuo.uniovi.es:10651/66418","repository":{"repo_id":"oviedo","name":"Universidad de Oviedo","base_url":"https://digibuo.uniovi.es/oai/request"},"display":{"title":"El problema de la generalización de los algoritmos de aprendizaje profundo para el análisis de imagen médica: investigación utilizando imágenes radiográficas","abstract":"En la literatura se ha reportado que los algoritmos de Deep Learning (DL), traducido como aprendizaje profundo, sufren, con frecuencia, problemas de generalización cuando son implementados en entornos diferentes de aquellos donde han sido entrenados. A pesar de que esta cuestión ha sido ampliamente discutida en otros campos, son pocos los autores que han abordado la problemática en el área de la imagen médica. Teniendo en cuenta que generalizar hace referencia a la capacidad de mantener el rendimiento en cualquier entorno externo al lugar de entrenamiento, resolver el problema de la generalización es imprescindible si se desea lograr que los modelos de inteligencia artificial alcancen la práctica médica diaria. Las escasas investigaciones que han abordado esta problemática coinciden en que, al igual que ocurre en otras áreas de la inteligencia artificial, como el desarrollo de coches autónomos, la deficiencia de generalización que sufren los algoritmos de DL se produce debido a desemejanzas existentes entre los datos con los que se entrenan los algoritmos, y los datos sobre los que se desean utilizar los modelos. Estas disimilitudes parecen responder a diferencias, a menudo imperceptibles, en la distribución de ciertos atributos de los propios datos, dando lugar a lo que se ha denominado distribution shifts (DS).","abstract_html":"En la literatura se ha reportado que los algoritmos de Deep Learning (DL), traducido como aprendizaje profundo, sufren, con frecuencia, problemas de generalización cuando son implementados en entornos diferentes de aquellos donde han sido entrenados. A pesar de que esta cuestión ha sido ampliamente discutida en otros campos, son pocos los autores que han abordado la problemática en el área de la imagen médica. Teniendo en cuenta que generalizar hace referencia a la capacidad de mantener el rendimiento en cualquier entorno externo al lugar de entrenamiento, resolver el problema de la generalización es imprescindible si se desea lograr que los modelos de inteligencia artificial alcancen la práctica médica diaria. Las escasas investigaciones que han abordado esta problemática coinciden en que, al igual que ocurre en otras áreas de la inteligencia artificial, como el desarrollo de coches autónomos, la deficiencia de generalización que sufren los algoritmos de DL se produce debido a desemejanzas existentes entre los datos con los que se entrenan los algoritmos, y los datos sobre los que se desean utilizar los modelos. Estas disimilitudes parecen responder a diferencias, a menudo imperceptibles, en la distribución de ciertos atributos de los propios datos, dando lugar a lo que se ha denominado distribution shifts (DS).","abstract_has_math":false,"creators":["Menéndez Fernández-Miranda, Pablo"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Vega Álvarez, José Antonio","Lloret Iglesias, Lara"],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022-09-30","date_published":"2022-09-30","updated_at":"2026-07-24T03:41:18Z","subjects":["Algoritmos de aprendizaje","Imágenes radiográficas"],"languages":["spa"],"rights":["Attribution-NonCommercial-NoDerivatives 4.0 Internacional"],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/10651/66418","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Vega Álvarez, José Antonio","Lloret Iglesias, Lara"]},{"key":"dc:contributor.other","label":"Dc Contributor Other","values":["Ciencias de la Salud, Departamento de"]},{"key":"dc:creator","label":"Author","values":["Menéndez Fernández-Miranda, Pablo"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2023-02-20T11:37:26Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2023-02-20T11:37:26Z"]},{"key":"dc:date.issued","label":"Date","values":["2022-09-30"]},{"key":"dc:type","label":"Dc Type","values":["doctoral thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Algoritmos de aprendizaje","Imágenes radiográficas"]}]},{"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-NoDerivatives 4.0 Internacional"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/10651/66418"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Tesis doctoral con mención internacional"]},{"key":"dc:description.abstract","label":"Abstract","values":["En la literatura se ha reportado que los algoritmos de Deep Learning (DL), traducido como aprendizaje profundo, sufren, con frecuencia, problemas de generalización cuando son implementados en entornos diferentes de aquellos donde han sido entrenados. A pesar de que esta cuestión ha sido ampliamente discutida en otros campos, son pocos los autores que han abordado la problemática en el área de la imagen médica. Teniendo en cuenta que generalizar hace referencia a la capacidad de mantener el rendimiento en cualquier entorno externo al lugar de entrenamiento, resolver el problema de la generalización es imprescindible si se desea lograr que los modelos de inteligencia artificial alcancen la práctica médica diaria. Las escasas investigaciones que han abordado esta problemática coinciden en que, al igual que ocurre en otras áreas de la inteligencia artificial, como el desarrollo de coches autónomos, la deficiencia de generalización que sufren los algoritmos de DL se produce debido a desemejanzas existentes entre los datos con los que se entrenan los algoritmos, y los datos sobre los que se desean utilizar los modelos. Estas disimilitudes parecen responder a diferencias, a menudo imperceptibles, en la distribución de ciertos atributos de los propios datos, dando lugar a lo que se ha denominado distribution shifts (DS)."]},{"key":"dc:title","label":"Title","values":["El problema de la generalización de los algoritmos de aprendizaje profundo para el análisis de imagen médica: investigación utilizando imágenes radiográficas"]}]}],"canonical_facts":{"dc:contributor.advisor":["Vega Álvarez, José Antonio","Lloret Iglesias, Lara"],"dc:contributor.other":["Ciencias de la Salud, Departamento de"],"dc:creator":["Menéndez Fernández-Miranda, Pablo"],"dc:date.accessioned":["2023-02-20T11:37:26Z"],"dc:date.available":["2023-02-20T11:37:26Z"],"dc:date.issued":["2022-09-30"],"dc:description":["Tesis doctoral con mención internacional"],"dc:description.abstract":["En la literatura se ha reportado que los algoritmos de Deep Learning (DL), traducido como aprendizaje profundo, sufren, con frecuencia, problemas de generalización cuando son implementados en entornos diferentes de aquellos donde han sido entrenados. A pesar de que esta cuestión ha sido ampliamente discutida en otros campos, son pocos los autores que han abordado la problemática en el área de la imagen médica. Teniendo en cuenta que generalizar hace referencia a la capacidad de mantener el rendimiento en cualquier entorno externo al lugar de entrenamiento, resolver el problema de la generalización es imprescindible si se desea lograr que los modelos de inteligencia artificial alcancen la práctica médica diaria. Las escasas investigaciones que han abordado esta problemática coinciden en que, al igual que ocurre en otras áreas de la inteligencia artificial, como el desarrollo de coches autónomos, la deficiencia de generalización que sufren los algoritmos de DL se produce debido a desemejanzas existentes entre los datos con los que se entrenan los algoritmos, y los datos sobre los que se desean utilizar los modelos. Estas disimilitudes parecen responder a diferencias, a menudo imperceptibles, en la distribución de ciertos atributos de los propios datos, dando lugar a lo que se ha denominado distribution shifts (DS)."],"dc:identifier.uri":["http://hdl.handle.net/10651/66418"],"dc:language.iso":["spa"],"dc:rights":["Attribution-NonCommercial-NoDerivatives 4.0 Internacional"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"dc:subject":["Algoritmos de aprendizaje","Imágenes radiográficas"],"dc:title":["El problema de la generalización de los algoritmos de aprendizaje profundo para el análisis de imagen médica: investigación utilizando imágenes radiográficas"],"dc:type":["doctoral thesis"]},"updated_at":"2026-07-24T03:41:18Z"}