Conceptual Modeling for Semantically-Guided Feature Selection in Machine Learning: A Case Study on Mohs Micrographic Surgery

Qué problema aborda

El uso de técnicas de Machine Learning en sanidad está transformando la práctica clínica al convertir grandes volúmenes de datos en herramientas predictivas y diagnósticas. Sin embargo, su aplicación depende directamente de la calidad y disponibilidad de los datos. Uno de los principales retos es el problema de dimensionalidad, que aparece cuando el número de variables es elevado en relación con el número de muestras disponibles. Para mitigarlo, se utilizan técnicas de selección de características, aunque muchas de ellas ignoran las relaciones semánticas entre variables. Este trabajo aborda esta limitación mediante técnicas de modelado conceptual que permiten organizar las variables clínicas en grupos semánticamente coherentes para utilizarlos como entrada de los modelos de Machine Learning.

Mi aportación

Contribución al desarrollo del modelo conceptual y a la aplicación de un enfoque de selección de características guiado semánticamente, facilitando la representación del dominio clínico y la organización de variables biomédicas en grupos coherentes. El enfoque se aplicó a un caso de uso de cirugía micrográfica de Mohs en colaboración con el Instituto Oncológico de Valencia (IVO) para definir las variables de entrada de los modelos predictivos.

Resultados principales

Se demuestra cómo el modelado conceptual permite incorporar conocimiento clínico en el diseño de experimentos de Machine Learning. El caso de estudio muestra cómo la agrupación semántica de características permite definir conjuntos de variables clínicamente significativos para los modelos predictivos, complementando los métodos tradicionales de selección estadística.