Resumen libre del currículum

Graduada en Ingeniería Biomédica por la Universidad Rey Juan Carlos, con un Máster en Avances en Radiología Diagnóstica y Terapéutica en la Universidad de Granada, actualmente desarrollando un doctorado en biomedicina sobre detección de nódulos pulmonares por la misma universidad en colaboración con el Centro Pfizer-Universidad de Granada-Junta de Andalucía de Genómica e Investigación Oncológica (GENYO). He realizado prácticas clínicas en el Hospital Universitario de Fuenlabrada, donde desarrollé un programa de anonimización de imágenes médicas, y en el Hospital Universitario Ramón y Cajal, donde participé en proyectos de transferencia de tecnología biomédica y desarrollé mi trabajo de fin de grado.

Mis intereses científicos se centran en la investigación del cáncer, específicamente en la detección y seguimiento de tratamientos a través del análisis de imágenes médicas, la inteligencia artificial y los algoritmos de aprendizaje automático para la interpretación de dichas imágenes.

Poseo conocimientos avanzados en Python, con experiencia en la creación de algoritmos de aprendizaje no supervisado, extracción de características radiómicas y procesamiento de los datos obtenidos. Además, tengo experiencia en el uso de software de imágenes médicas como 3D Slicer y en el procesamiento de imágenes con MATLAB. También tengo habilidades en la creación y gestión de bases de datos en Oracle. Complementariamente, he trabajado con Arduino, aplicando mis habilidades de programación y procesamiento de señales.

Méritos más relevantes

TFG

“RADIOMIC EVALUATION OF GANGLIONAR AFFECTATION IN COLORECTAL CANCER PATIENTS”, se trata de un trabajo realizado junto con el Hospital Universitario Ramón y Cajal, con el objetivo de desarrollar y validar un modelo de aprendizaje automático para evaluar la probabilidad preoperatoria de afectación ganglionar en pacientes con cáncer de colon derecho a partir de datos clínicos y radiómicos de tomografía computarizada. Para ello se seleccionaron y segmentaron manualmente tumores y ganglios linfáticos, y se obtuvieron 1687 características radiómicas. Se implementaron varios modelos, como Regresión Logística, Support Vector Classifier y Gradient Boosting, buscando el mejor rendimiento. Los resultados destacaron una sensibilidad de 0.825, especificidad de 0.964, un F1- score de 0.852 y un valor de AUC de 0.852 en el modelo desarrollado. Las características más relevantes se obtuvieron de las categorías GLSZM, NGTDM, GLRLM y GLCM, subrayando la importancia de capturar características basadas en la textura.

La calificación obtenida fue de un 9.1.

TFM

Titulado “PREDICTION OF TREATMENT RESPONSE AND TUMOR PROGRESSION IN RECTAL CANCER ON MAGNETIC RESONANCE IMAGING USING RADIOMICS”, se trata de un estudio retrospectivo observacional, cuyo objetivo principal es identificar biomarcadores radiómicos confiables en RM para predecir el estadío histológico y la progresión tumoral en cáncer de recto. El estudio incluyó 129 pacientes y en total se obtuvieron 1710 características radiómicas para cada uno de ellos. Varios modelos de aprendizaje automático fueron entrenados para predecir el estado del tumor y los ganglios, la progresión y la respuesta patológica completa. Los valores de sensibilidad de estos modelos variaron según el resultado y el grupo de pacientes, divididos entre los que recibieron terapia neoadyuvante y los que no. En el grupo sin terapia neoadyuvante, Nearest Centroid predijo tumor y RPC, Bagging LDA predijo estado de ganglios y Bagging Gaussian Naive Bayes la progresión. En el grupo con terapia, Nearest Centroid se utilizó para el estado tumoral, LDA para los ganglios y Gaussian NB para la RPC. Se proporcionó explicabilidad a la clasificación mediante el algoritmo SHAP, obteniendo que las características radiómicas más relevantes se relacionan con las categorías basadas en textura.

La calificación obtenida fue un 10.

Congresos

 Presentación del póster elaborado tras el proyecto llevado a cabo durante las prácticas clínicas en el Hospital Universitario de Fuenlabrada, basado en el desarrollo de un script en Python que permitiera la anonimización de los metadatos de imágenes médicas. La segunda parte del proyecto fue propuesta por el personal del hospital, ya que aunque los metadatos sensibles fueron eliminados, todavía aparecían en la imagen, por lo que se presentó una solución para una modalidad particular (Ultrasonidos) y un fabricante particular (‘GE Healthcare Austria GmbH & Co OG’). Para estas imágenes Para las imágenes de ultrasonido de un fabricante específico se desarrolló un código en Python para detectar y eliminar píxeles asociados a información sensible. 

Proyectos y líneas de investigación

 Mi TFG fue desarrollado dentro del del proyecto titulado: “Predicción de afectación linfática en cáncer colorrectal mediante un modelo de aprendizaje máquina basado en datos clínicoradiómicos».