Detecta neumonía en RX de tórax para hospital universitario en Bogotá
Visión general
De qué trata este proyecto.
Recibes 40.000 RX de tórax con etiquetas binarias (neumonía/no) provenientes de dos hospitales públicos. Entrena DenseNet-121 con transfer learning desde CheXNet o ImageNet. Reporta AUC, sensibilidad@95 %-especificidad y matriz de confusión. Mide latencia inferencia en CPU típica de hospital. Genera mapas de saliencia (Grad-CAM) sobre 20 casos representativos. Evalúa en un tercer hospital (OOD) para medir generalización. Éxito: AUC ≥0.90 in-distribution, ≥0.82 OOD, latencia ≤500 ms.
El Briefing
Lo que harás y lo que demostrarás.
Construir un clasificador de neumonía en RX con AUC ≥0.90 in-distribution, ≥0.82 OOD y latencia ≤500 ms.
Earning criteria — what you'll demonstrate
- Aplicar transfer learning desde modelos preentrenados médicos
- Evaluar generalización entre centros hospitalarios
- Generar e interpretar mapas de saliencia clínicamente
- Medir latencia como restricción operativa en urgencias
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero/a de Visión por Computador
Clasificación de RX con transfer learning + interpretabilidad es proyecto típico de CV médica.
Este proyecto afina
- medical-image-classification
- transfer-learning
- interpretability
Científico/a de IA Aplicada
Evaluar OOD entre hospitales es la mentalidad de aplicación crítica en salud.
Este proyecto afina
- medical-imaging
- domain-shift
- medical-image-classification
Ingeniero/a de Machine Learning
Cumplir latencia + AUC simultáneamente es músculo cotidiano de MLE en salud.
Este proyecto afina
- transfer-learning
- medical-imaging
- interpretability