Departamento De Estadística E Investigación Operativa Aplicadas Y Calidad

Líneas I+D+i

• Grupo de Ingeniería Estadística Multivariante (GIEM).. Análisis de imágenes médicas por resonancia magnética.
  El análisis de imágenes médicas es uno de los temas más relevantes dentro del Análisis de Imágenes. Normalmente, estas tareas se han realizado extrayendo características (normalmente texturales) de cada uno de los diferentes tipos de estas imágenes (rayos X, TAC (tomografía computarizada), RMN (resonancia magnética), ultrasonidos, imágenes de medicina nuclear, incluida la tomografía por emisión de positrones (PET)), utilizando después estas características para realzar algún fenómeno particular cuando se mira dentro de la imagen, o para predecir o clasificar cuando se utiliza toda la información de la imagen. Además, en la RM se puede aplicar un enfoque diferente, que consiste en utilizar toda la secuencia para comprimirla en imágenes nuevas y clínicamente informativas: los biomarcadores de imagen. Las nuevas imágenes, al utilizar los conocimientos físico-químicos relacionados con la presencia y el desarrollo de determinados procesos biológicos (por ejemplo, los tumores de cáncer), proporcionan, para cada píxel de las imágenes, información cuantitativa y objetiva que puede ser interpretada por los médicos, mejorando el diagnóstico y dando una idea de cómo se desarrollan los tumores. Sin embargo, estos biomarcadores de imagen sufren diferentes inconvenientes: se calculan píxel a píxel, lo que aumenta la incertidumbre y la fiabilidad en la estimación, algunos de los parámetros obtenidos tienen una difícil interpretación fisiológica, hay varios modelos que se pueden aplicar y a pesar del elevado número de biomarcadores disponibles, sólo unos pocos son utilizados en la práctica por los radiólogos para el diagnóstico. Para superar esta situación, esta línea se centra en el desarrollo de nuevos biomarcadores de imagen que cumplan las siguientes condiciones: - Aprovechan toda la estructura de correlación en las secuencias de RM, proporcionando así biomarcadores de imagen robustos. - Informan sobre su fiabilidad. En el cálculo de los biomarcadores de imagen comunes, sólo se proporciona el valor, sin importar su fiabilidad y/o incertidumbre. - Son biomarcadores fáciles de interpretar: se relacionan directamente con curvas específicas vinculadas a los fenómenos biológicos de interés. Para ello se utilizan modelos estadísticos multivariantes basados en variables latentes, que extraen la información recogida en las secuencias directamente de los datos del paciente, utilizando el conocimiento clínico previo. Para ello se utilizan modelos como el de resolución de curvas multivariantes. Sin embargo, proporcionar un conjunto completo de biomarcadores de imagen a los radiólogos no resuelve el problema de qué biomarcador o conjunto de biomarcadores seleccionar para el diagnóstico y/o pronóstico. Mediante el uso de Mínimos Cuadrados Parciales, es posible comprimir todos los biomarcadores de imagen relevantes en una sola imagen final, la Biopsia Virtual, que proporciona a los médicos un mapa predictivo y probabilístico definitivo que informa sobre la presencia y/o agresividad de un tumor; así como su correspondiente fiabilidad en la localización de cada píxel.
• Grupo de Ingeniería Estadística Multivariante (GIEM). Análisis de imágenes para la industria 4.0.
  Desde finales de los años 70, el análisis de imágenes se ha utilizado en la industria, inicialmente para tareas de detección de defectos y reconocimiento de patrones, principalmente la segmentación y clasificación de objetos. La evolución de la tecnología permitió introducir las cámaras RGB, por lo que estas tareas se ampliaron, por ejemplo, a la gradación del color. La introducción de la estadística multivariante en el análisis de imágenes, conocida como análisis multivariante de imágenes (MIA), permitió realizar no sólo las actividades mencionadas, sino también otras más complejas, como la supervisión de procesos, controlando la evolución de los mismos con sistemas de visión por ordenador. El MIA se ha utilizado en la industria de los minerales para monitorizar los procesos de flotación por espuma, en la industria de los snacks para monitorizar y controlar el sabor y el aroma de los mismos, en la industria de los azulejos para la clasificación del color, en la metalurgia para la apariencia del producto final, etc. Hoy en día no sólo éstas, sino también las cámaras hiperespectrales NIR están disponibles. Se están introduciendo en la industria farmacéutica y alimentaria para, por ejemplo, evaluar la concentración y la homogeneidad espacial de los diferentes compuestos químicos de los comprimidos, o para predecir diferentes parámetros de calidad de las enfermedades en las frutas. Estas tareas sólo pueden llevarse a cabo mediante el uso de modelos estadísticos multivariantes basados en variables latentes, ya que son los únicos capaces de segregar todo el espectro en aquellos relacionados con los compuestos químicos puros de una mezcla, permitiendo así a los expertos validar el resultado final. Este resultado puede extenderse, no sólo a las cámaras hiperespectrales NIR, sino también a otras complejas como las basadas en EDX (energy dispersive X-ray). Todos estos sistemas de monitorización, detección y predicción se desarrollan y relacionan con entornos de big-data en los que evoluciona la Industria 4.0, que necesitan de métodos robustos de ciencia de datos como los que proporciona MIA. Esta línea constituye por tanto la vía para permitir que estas ricas bases de datos proporcionen información útil a la Industria, mejorando su conocimiento sobre los procesos y la calidad de los productos finales.
• Grupo de Ingeniería Estadística Multivariante (GIEM). Biología de Sistemas.
• Grupo de Ingeniería Estadística Multivariante (GIEM). Data analytics: Análisis, monitorización, diagnóstico de fallos y optimización de procesos multivariantes en la industria 4.0.
  En los modernos procesos industriales se generan enormes cantidades de datos. En esta línea se exploran las potencialidades de las técnicas estadísticas multivariantes de proyección sobre estructuras latentes (Análisis de componentes principales - PCA, mínimos cuadrados parciales - PLS, ...) para extraer la información de estos datos y utilizarla en el análisis, identificación de fallos y puntos críticos del proceso, así como para ayudar en el diagnóstico de las variables responsables y desarrollar modelos empíricos de monitorización de procesos en tiempo real (control estadístico de procesos multivariante - MSPC). Se estudia también la adaptación de los métodos de control estadístico multivariante de procesos (MSPC) a las particularidades de los procesos industriales por lotes, quienes, a pesar del enorme valor añadido que suelen tener, y debido a su complejidad, en la práctica funcionan sin ninguna forma efectiva de monitorización en tiempo real. Se investiga la forma de desarrollar e implantar sobre procesos por lotes complejos reales un sistema integrado que permita la rápida detección y el diagnóstico de fallos, la monitorización en tiempo real y el establecimiento de modelos predictivos (soft-sensors) mediante las novedosas técnicas multivariantes de análisis de matrices de datos tridimensionales (3-way data).
• Grupo de Ingeniería Estadística Multivariante (GIEM). Integración de la monitorización estadística (SPC) con la regulación (EPC) de procesos multivariante.
  En esta línea de investigación se aborda el estudio de diversos procedimientos que permitan desarrollar la estrategia MESPC: integración del MEPC (Multivariate Engineering Process Control) con el MSPC (Multivariate Statistical Process Control). Para ello se aborda el estudio de modelos de series temporales autorregresivos y de medias móviles vectoriales para el análisis conjunto de parámetros de calidad, de productividad y de proceso en sistemas productivos con dinámica. Como caso particular de estos modelos, se considera la aplicación de funciones de transferencia multi-input/multi-output en el modelado de relaciones dinámicas unidireccionales. El control ingenieril de procesos multivariante se aborda mediante el Control Predictivo Basado en Modelos (CPBM), metodología que hace uso de los modelos indicados previamente para desarrollar ecuaciones predictivas y algoritmos de control, cuyo funcionamiento se plantea como uno de los objetivos de investigación. La monitorización estadística de procesos se aborda investigando las variables a monitorizar, así como los gráficos de control a implementar. Por último esta línea de investigación implica el estudio de las ventajas de la integración MESPC ante causas especiales de variación, comparando su eficacia con la del sistema MEPC (sin monitorización)..
• Grupo de Ingeniería Estadística Multivariante (GIEM). Métodos estadísticos aplicados a las ciencias ómicas.
  En los últimos tiempos, las ciencias "ómicas" (genómica, transcriptómica, metabolómica, etc.) han experimentado un gran avance gracias a las nuevas tecnologías de alto rendimiento que permiten el estudio simultáneo de miles de genes, tránscritos, metabolitos, etc. Así pues, la bioinformática ha cobrado un especial interés, ya que utiliza herramientas informáticas y estadísticas para extraer información biológica de los miles de datos generados, con el objeto de encontrar la causa de una enfermedad, descubrir nuevos fármacos o incluso, en un futuro, diseñar tratamientos médicos personalizados. En concreto, nuestro grupo tiene abiertas líneas de investigación en transcriptómica y metabolómica. En transcriptómica se estudia la expresión génica, es decir, la actividad biológica de los genes. Cuando un gen se expresa, se generan varias "copias" del mismo (tránscritos) que darán lugar a la formación de proteínas. Así, cuando un gen se expresa en individuos enfermos pero no en individuos sanos, será un gen cuya función estará relacionada con la enfermedad en cuestión. Tanto los microarrays (micromatrices de ADN) como las nuevas técnicas de secuenciación masiva (Next Generation Sequencing Technologies) permiten estimar simultáneamente la expresión de miles de genes o incluso de todo el genoma, dando lugar a estructuras de datos multivariantes (ya que se estudiarían miles de variables, en este caso, los genes). Por tanto, es indispensable el uso eficiente de los métodos estadísticos para diseñar y analizar este tipo de experimentos con el fin de extraer de los mismos información biológica relevante. La metabolómica viene a completar las áreas de conocimiento previamente abarcadas por la genómica y la proteómica, mediante la medida cuantitativa de los metabolitos endógenos presentes en muestras biológicas de distinto origen (orina, plasma, células, tejidos). Los metabolitos son los productos finales de las funciones de genes y proteínas, por lo que su medida es un buen reflejo del estado fisiológico y fenotípico en el que se encuentra el organismo en el que se hallan. El metaboloma desde un punto de vista analítico se considera como un conjunto de compuestos químicos (metabolitos) presentes en un sistema biológico (célula, tejido u organismo), con comportamiento dinámico y que presentan una gran variabilidad estructural. En la actualidad existen distintas plataformas analíticas para llevar a cabo su medida, entre ellas en los últimos años han destacado dos plataformas: i) resonancia magnética nuclear (RMN) y ii) espectrometría de masas (MS) acoplada a cromatografía líquida (LC) o de gases (GC). El análisis del metaboloma de una muestra genera una compleja estructura de datos que requiere de métodos estadísticos multivariantes para su manejo e interpretación.
• Grupo de Ingeniería Estadística Multivariante (GIEM). Métricas medioambientales para el patrimonio cultural.
  Las obras de arte deben mantenerse en ambientes controlados que aseguren unas condiciones óptimas de conservación a largo plazo. Esto es relativamente sencillo en museos que disponen de sistemas de climatización, pero muchas veces es difícil controlas las condiciones ambientales que afectan al patrimonio cultural. Para monitorizar el mocriclima que está en contacto con las obras de arte pueden emplearse sensores de temperatura y humedad relativa, que registran los datos a lo largo del tiempo. Si se colocan múltiples sensores en un espacio amplio, como una iglesia por ejemplo, durante un largo periodo de tiempo, al final se dispone de una base de datos que requiere ser analizada con técnicas estadísticas multivariantes. El análisis de estos datos permite caracterizar las diferencias registradas entre los distintos sensores. A partir de los resultados se puede valorar de modo preliminar si las condiciones de conservación resultan apropiadas. También se pueden proporcionar algunas recomendaciones para mejorar dichas condiciones.
• Grupo de Ingeniería Estadística Multivariante (GIEM). Quimiometría de procesos y calibración multivariante.
  El desarrollo de técnicas de análisis instrumental (espectrometría, cromatografía ...) y de la tecnología de sensores hace posible generar una gran cantidad de datos asociados a cada muestra recolectada. La compleja estructura de los datos registrados requiere una serie de técnicas específicas para obtener buenos modelos de calibración multivariable. El análisis de estas estructuras complejas conduce a la aplicación de un modelo de proyección multivariable, cuyo objetivo básico es adaptarse a la mejor estructura posible de acuerdo con criterios de interpretación o predicción preestablecidos. Los principales modelos tradicionalmente empleados han sido PCA y PLS, con sus extensiones desplegadas, para el despliegue de estructuras cúbicas o n-dimensionales. La mejora en la capacidad de cálculo computacional en las últimas décadas ha permitido la incorporación eficiente de algunos modelos más generales, como el Tucker3, PARAFAC y N-PLS, los cuales permiten estudiar la estructura de datos directamente sin necesidad de que sea desplegada.
• Grupo de Ingeniería Estadística Multivariante (GIEM). Sensometría olfativa.
  Diferentes estudios sugieren que el número de dimensiones en la percepción olfativa es de unas 20-30. Dado el elevado número de dimensiones, describir la sensación que produce un determinado olor no resulta sencillo. Por esta razón, es complicado llegar a un consenso a la hora de clasificar olores, o bien desarrollar mapas sensoriales que pongan de manifiesto las similitudes y diferencias entre los descriptores utilizados a la hora de describir un determinado olor. Distintas bases de datos contienen información sobre el perfil olfativo de sustancias químicas o bien de perfumes comerciales. Esta línea de investigación pretende fundamentalmente analizar con técnicas estadísticas multivariantes las distintas bases de datos olfativas disponibles en la bibliografía con distintos objetivos: clasificar descriptores olfativos, clasificar perfumes, investigar el número de dimensiones del espacio olfativo, interpretar las dimensiones psicológicas relevantes de este espacio perceptual, desarrollar mapas sensoriales de olores en general y de perfumes en particular, avanzar en la comprensión de los mecanismos involucrados en la percepción olfativa, etc.