1. Repositorio Institucional UAQ
  2. Tesis
  3. Facultad de Ingeniería
  4. Maestría
  5. Maestría en Ciencias en Inteligencia Artificial
Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/12341
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttps://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorStéphanie Colette Thébaultes_ES
dc.creatorOmar Hernández de los Santoses_ES
dc.date.accessioned2025-10-02T18:52:58Z-
dc.date.available2025-10-02T18:52:58Z-
dc.date.issued2025-09-29-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/12341-
dc.descriptionLa Diabetes Mellitus tipo 2 (DM tipo 2) representa una problemática creciente a nivel mundial debido a su alta prevalencia y complicaciones asociadas. La detección oportuna de factores de riesgo modificables es esencial para la prevención y control de esta enfermedad. Se reportó recientemente el uso de señales de electrorretinograma (ERG) basal para predecir la obesidad y el síndrome metabólico que son factores de riesgo modificables de la DM tipo 2, sin embargo, hace falta una base de datos más amplia y sin sesgo relacionado con la edad para que la sensibilidad y especificidad de la predicción sean relevantes para la clínica. Este trabajo abordó la necesidad de ampliar y equilibrar una base de datos de series de tiempo relativas a la función basal de la retina mediante la generación de espectros sintéticos provenientes del ERG basal, utilizando modelos generativos adversarios (GAN). Se diseño exitosamente un modelo llamado espectraGAN para la generación de espectros sintéticos. Se evaluaron cualitativa y cuantitativamente las muestras generadas, confirmando su similitud espectral y coherencia fisiológica con los datos orgánicos. Los resultados demostraron que la integración de datos sintéticos en nuestras categorías control y en riesgo de DM tipo 2 mejoró la predicción mediante el modelo basado en redes neuronales con la ondícula Morlet real (ROC-AUC de 0,68). Este efecto mejoró aún más cuando la base de datos se amplió 10 y 100 veces, con métricas en comparativa con otro modelos con un de rendimiento medio entre 0,75 y 0,80 y entre 0,76 y 0,89, respectivamente. Este estudio demuestra la relevancia de espectraGAN en la investigación biomédica y sugiere una alternativa prometedora, no invasiva y accesible para detectar tempranamente factores de riesgo modificables asociados con la DM tipo 2.es_ES
dc.formatpdfes_ES
dc.format.extent1 recurso en línea (122 páginas)es_ES
dc.format.mediumcomputadoraes_ES
dc.language.isospaes_ES
dc.publisherUniversidad Autonoma de Querétaroes_ES
dc.relation.requiresSies_ES
dc.rightsopenAccesses_ES
dc.subjectModelos generativos adversarioses_ES
dc.subjectEspectros sintéticoses_ES
dc.subjectDiabetes Mellitus tipo 2es_ES
dc.subject.classificationINGENIERÍA Y TECNOLOGÍAes_ES
dc.titleGeneración de componentes espectrales sintéticos del electrorretinograma mediante modelos generativos adversarios para predecir factores de riesgo en diabetes tipo 2es_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidORCIDes_ES
dc.contributor.tidORCIDes_ES
dc.creator.identificador0009-0003-2396-5948es_ES
dc.contributor.identificador0000-0003-3233-282Xes_ES
dc.contributor.roleDirector de tesises_ES
dc.degree.nameMaestría en Ciencias en Inteligencia Artificiales_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
dc.format.supportrecurso en líneaes_ES
dc.matricula.creator311373es_ES
dc.folioIGMAC-311373es_ES
Aparece en: Maestría en Ciencias en Inteligencia Artificial

Archivos:
Fichero Descripción Tamaño Formato  
IGMAC-311373.pdf3.08 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.