Articulos publicados durante mi carrera académica y profesional
A lo largo de mi carrera académica y profesional he tenido la oportunidad de publicar algunos artículos en revistas científicas y congresos internacionales. Aquí encontrarás una lista de los artículos que he publicado hasta la fecha.
Trabajo de Tesis para la titulación donde desarrollé un método de diagnóstico del glaucoma mediante un modelo híbrido de Deep Learning. Integré datos de varios conjuntos públicos, totalizando 1707 imágenes de fondo de ojo. Obtuvimos una precisión del 96.55%, sensibilidad del 98.54% y especificidad del 94.32%, superando modelos convencionales.
Este estudio aborda el aumento de denuncias anónimas de violencia de género en redes sociales, desarrollando un modelo para detectar mensajes ofensivos hacia mujeres. Utiliza 1042 tweets en español etiquetados por 48 voluntarios y modelos BERT ajustados, alcanzando una precisión de 0.9043 y un AUC de 0.9349. Ofrece un conjunto de datos público en español, accesible globalmente para evaluar el rendimiento del modelo.
Este trabajo se centró en abordar la necesidad de hacer que los podcasts fueran accesibles para una amplia gama de audiencias, incluidas aquellas con discapacidades auditivas. Se propuso un nuevo método para transcribir archivos de audio en texto mediante la segmentación del audio. Se construyó un conjunto de datos público y se entrenó un modelo basado en tres escenarios diferentes. Se logró un alto rendimiento en la relación señal-ruido. Además, se proporcionó el código fuente para mejorar la accesibilidad de los podcasts.
El propósito de este artículo fue proporcionar un modelo de procesamiento de lenguaje natural para clasificar mensajes en redes sociales que contienen violencia de género. La metodología aplicada incluyó un proceso de ajuste fino a BERT, utilizando mensajes etiquetados como violencia y no violencia de las plataformas Reddit y Twitter. Se lograron buenos resultados en términos de área bajo la curva, precisión, sensibilidad y especificidad, con valores de 0.9603, 0.8909, 0.8826 y 0.8989 respectivamente.
La investigación buscó identificar personas con COVID-19 mediante un modelo de Deep Learning, integrado en una aplicación multiplataforma para respaldar los métodos clínicos existentes y proteger a los médicos. Se reentrenó un modelo con datos de tos de personas infectadas y no infectadas, y se ajustó a la arquitectura ResNet50. La precisión, sensibilidad y especificidad fueron del 81.06%, 85.4% y 74.96% respectivamente, con validación cruzada de 10 pliegues.
