Análisis de factores de diagnóstico en informes radiológicos del proceso clínico diagnóstico de cáncer de mama mediante MapReduce

Abstract

[EN] Nowadays hospitals store a large amount of radiology reports in different Radiology Information Systems (RIS) from different modalities, such as ultrasound, MRI scans, CT scans, mammograms, Xrays, etc. These reports contain the data set observed by radiologists that can be of vital importance for the diagnosis of many diseases such as breast cancer. This work designs, implements and analyzes different data analysis algorithms using the MapReduce paradigm to extract relevant factors to the diagnosis of breast cancer from the different diagnostic reports obtained in the process (mammography, ultrasound and MRI). These factors correspond to cross correlations between different modes and correlations with different grouping levels (understanding the level 'n' as the analysis of the correlation of 'n' parameters with diagnostic factor). These algorithms will perform distributed data processing on Hadoop clusters that are dynamically provisioned from public Cloud infrastructures (

[ES] Hoy en día los hospitales almacenan en los diferentes Sistemas de Información Radiológicos (RIS) una gran cantidad de informes radiológicos de diferentes modalidades, como Ecografías, Resonancias magnéticas, Tomografías Axiales Computarizadas, Mamografías, Rayos X, etc. y con formatos variados. Dichos informes recogen el conjunto de datos observados por los radiólogos, además de aquella información obtenida al aplicar procesos sobre las propias imágenes (biomarcadores, etc.), que pueden ser de vital importancia para el diagnóstico de muchas enfermedades, como por ejemplo el cáncer de mama. El presente trabajo va a diseñar, implementar y analizar diferentes algoritmos de análisis de datos utilizando el paradigma MapReduce para extraer a partir de los informes obtenidos en el proceso de diagnóstico de cáncer de mama (mamografías, ecografías y resonancias magnéticas) factores relevantes para el diagnóstico de cáncer de mama. Estos factores corresponderán a correlaciones transversales entre las distintas modalidades y correlaciones con diferentes niveles de agrupación (entendiendo el nivel ‘n’ como el análisis de la correlación de ‘n’ parámetros con el factor de diagnóstico). Dichos algoritmos procesarán de forma distribuida los datos en clusters Hadoop virtuales dinámicamente aprovisionados sobre infraestructuras Cloud públicas