Entrena una CNN para diagnóstico asistido en una EdTech médica
Visión general
De qué trata este proyecto.
Trabajarás con un subset público de chest X-rays (alrededor de 50.000 imágenes, 14 patologías multi-label). Entrena un DenseNet121 (estándar en literatura X-ray) con transfer learning desde ImageNet. Reporta AUROC por patología, calibración (Brier score, reliability diagram), y comparación contra un baseline más simple (ResNet50). Implementa endpoint que devuelva top-5 patologías con probabilidad calibrada. Construye además una página de disclaimers educativos clara. Entrega notebook + endpoint + disclaimers + reporte.
El Briefing
Lo que harás y lo que demostrarás.
Entrena una CNN sobre chest X-rays públicos con calibración honesta y endpoint educativo con disclaimers claros.
Earning criteria — what you'll demonstrate
- Aplicar transfer learning sobre imágenes médicas con datasets públicos
- Evaluar modelos multi-label con AUROC por clase y calibración
- Implementar calibración post-hoc (Platt scaling, isotonic)
- Producir documentación de uso responsable para producto educativo
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 de Aprendizaje Automático
Aplicar deep learning a imágenes médicas con calibración honesta es portfolio fuerte para roles MLE en healthtech.
Este proyecto afina
- cnn
- transfer-learning
- model-calibration
Ingeniero de Visión por Computador
Calibración y disclaimers educativos son habilidades blandas que diferencian al CV engineer en producto regulado.
Este proyecto afina
- cnn
- pytorch
- evaluation
Investigador de Seguridad en IA
Documentación de uso responsable para producto educativo médico conecta directamente con AI safety en dominios sensibles.
Este proyecto afina
- responsible-ai
- model-calibration
- evaluation