METODOLOGÍA PARA TRANSFORMAR DATOS TABULARES A IMÁGENES UTILIZANDO BASES DE DATOS HETEROGÉNEAS Y DE BAJA DIMENSIONALIDAD: ENFOQUE DE APRENDIZAJE POR TRANSFERENCIA PARA PREDECIR RIESGO CARDIOVASCULAR

Abstract

El uso de modelos basados en redes neuronales convolucionales (CNNs) ha permitido alcanzar excelentes resultados en tareas de predicción con imágenes en diferentes ámbitos. Sin embargo, la información de la mayoría de bases de datos en diferentes dominios siguen una estructura tabular. Por ello, para aprovechar las ventajas de las CNNs, se propone una metodología eficaz para transformar datos tabulares heterogéneos y de baja dimensionalidad a imágenes, para su posterior uso en tareas de predicción mediante CNNs. Esta metodología está basada en el uso del algoritmo 'Image Generator for Tabular Data' (IGTD) y en la generación estocástica de variables ruidosas para lograr aumentar la dimensionalidad de las imágenes. Para su evaluación, se han utilizado dos bases de datos tabulares con información real de pacientes para la predicción de riesgo cardiovascular. Además, debido al tamaño reducido de una de las bases de datos, se evalúa el método de aprendizaje por transferencia o 'transfer learning', utilizando CNNs previamente entrenadas con la base de datos de mayor tamaño.