Docente UAM recibe mención laureada en su tesis del Doctorado en Ingeniería
Mario Alejandro Bravo Ortiz, coordinador de la Especialización en Inteligencia Artificial, recibió la aprobación laureada de su tesis del Doctorado en Ingeniería en la Universidad Autónoma de Manizales (UAM), consolidando un recorrido formativo y profesional que inició como estudiante y hoy continúa como docente e investigador de la institución.
Una trayectoria 100 % UAM
Es graduado de Ingeniería Biomédica, Ingeniería Electrónica y de la Maestría en Ingeniería de la UAM, y próximamente recibirá su título como Doctor en Ingeniería, programa desarrollado en convenio con la Red Mutis. Su historia refleja un proceso de formación integral dentro de la Universidad, donde pasó de las aulas como estudiante a liderar procesos académicos estratégicos como coordinador de la Especialización en Inteligencia Artificial.
Este logro no solo representa un reconocimiento individual, sino también el fortalecimiento de la capacidad investigativa de la UAM en áreas como la bioinformática, la inteligencia artificial aplicada a la salud y el análisis avanzado de datos biomédicos.
La tesis, titulada “Convolutional Vision Transformers for Alzheimer’s Disease Classification Using Multiple Data Sources”, se centró en el diseño, evaluación e integración de modelos computacionales basados en Transformers para la clasificación de la enfermedad de Alzheimer (EA).
El objetivo general fue desarrollar modelos de Convolutional Vision Transformer (CVT) capaces de clasificar los estadios de la enfermedad utilizando múltiples fuentes de datos, con el fin de mejorar la precisión diagnóstica y facilitar la interpretabilidad de los resultados.
La investigación se apartó de los enfoques tradicionales al emplear Convolutional Vision Transformers (CVTs) para analizar, de manera conjunta o independiente, diferentes tipos de datos biomédicos:
- Imágenes de Resonancia Magnética estructural (MRI): para identificar patrones de atrofia cerebral.
- Representaciones neurofisiológicas de EEG: procesadas mediante la Transformada de Fourier de Tiempo Corto (STFT) para generar espectrogramas.
- Variables clínicas estructuradas: incluyendo pruebas neuropsicológicas como MoCA y MMSE, además de datos demográficos.
La tesis fue presentada bajo la modalidad de compendio de artículos científicos, consolidando siete publicaciones en revistas de alto impacto (Q1) y participaciones en conferencias internacionales.
El proceso investigativo fue experimental, cuantitativo e iterativo, y se desarrolló en varias fases clave.
Se realizó una revisión sistemática de 722 estudios, de los cuales se seleccionaron 44 trabajos de alta calidad que sirvieron como base teórica y metodológica para el desarrollo de los modelos CVT.
En una primera etapa, se evaluaron modelos individuales para cada tipo de dato:
En datos clínicos, se compararon Transformers y redes de cápsulas frente a modelos de aprendizaje automático clásico, alcanzando un 90,58 % de precisión.
Se diseñó SpectroCVT-Net, una arquitectura pionera para clasificar espectrogramas de EEG, logrando un 92,59 % de precisión.
En imágenes MRI, se optimizaron modelos que alcanzaron hasta un 99,36 % de precisión en la clasificación de cuatro estadios de la enfermedad.
Posteriormente, la investigación avanzó hacia la integración de múltiples fuentes de información:
- Bi-CVT: fusión bimodal (EEG + datos clínicos) mediante mecanismos de Cross-Attention, elevando la precisión al 98,4 %.
- Explainable-Fusion Transformer (XFT): integración de MRI con descriptores de textura (LBP, HOG, LPQ), alcanzando un 99,69 % de precisión con la variante Performer.
- Multi-CVT: desarrollo de un marco trimodal que integra MRI, EEG y datos clínicos en una sola arquitectura, con una precisión del 98,33 %.
Estos resultados demuestran el potencial de los modelos basados en Transformers para apoyar el diagnóstico temprano y la clasificación más precisa de la enfermedad de Alzheimer, aportando herramientas tecnológicas con proyección clínica.
Transferencia tecnológica y formación de nuevo talento
Uno de los aportes más relevantes fue la transferencia tecnológica. Se registró formalmente la plataforma de software MindrAI, diseñada para operacionalizar y facilitar la implementación de estos modelos en entornos clínicos reales.
El impacto académico también fue significativo: durante el desarrollo del doctorado, Mario supervisó a siete estudiantes de maestría y quince de pregrado, contribuyó a la creación del equipo de Bioinformática e Inteligencia Artificial en la UAM y realizó una estancia de investigación doctoral.
El proyecto contó con el apoyo financiero de MinCiencias (Colombia) y estableció colaboraciones internacionales con instituciones en Chile y España, fortaleciendo la proyección global de la investigación desarrollada en la Universidad.
Un acompañamiento internacional de alto nivel
La tesis fue dirigida por Reinel Tabares Soto, docente del Departamento de Electrónica y Automatización de la UAM, y contó con la co-supervisión de Gonzalo Ruz, profesor titular de la Facultad de Ingeniería y Ciencia de la Universidad Adolfo Ibáñez, en Santiago de Chile.
Sobre el proceso, Gonzalo Ruz destacó:
“Tuve la fortuna y el honor de ser co-supervisor de la tesis doctoral de Mario Bravo Ortiz. Ha sido una experiencia muy enriquecedora. Puedo destacar su gran calidad técnica y también práctica para implementar los modelos que se utilizaron en su tesis. Estoy muy contento con el desempeño que ha tenido en su defensa”.
El profesor también resaltó la calidad humana y técnica de los estudiantes y del cuerpo académico de la UAM, así como el trabajo colaborativo que sostuvieron durante el proceso, incluyendo encuentros regulares virtuales y una visita presencial a la Universidad.
Investigación con impacto en salud e inteligencia artificial
La aprobación laureada de esta tesis doctoral no solo reconoce la excelencia académica de Mario Alejandro Bravo Ortiz, sino que posiciona a la Universidad Autónoma de Manizales como referente en investigación aplicada en inteligencia artificial para la salud.
Su trayectoria, desde estudiante de pregrado hasta coordinador académico e investigador doctoral, evidencia cómo la formación continua, la rigurosidad científica y el compromiso institucional pueden traducirse en desarrollos tecnológicos con impacto real en problemáticas globales como la enfermedad de Alzheimer.