Este texto comenta la arquitectura y el caso de uso de mi TFM en el Máster en Data Science de la UCM (2024), desarrollado en colaboración con Dawako Med Tech bajo NDA. El dataset y el código no son públicos. Pero el problema clínico, la lógica arquitectónica y las decisiones de despliegue sí pueden compartirse.
Por qué la sarcopenia
La sarcopenia — pérdida progresiva de masa y función muscular — dejó hace tiempo de ser un asunto exclusivo de la geriatría. En medicina deportiva de élite es un marcador temprano de sobreentrenamiento, recuperación incompleta o lesión inminente.
«Las métricas que importan en imagen biomédica no son las del paper. Son las que el clínico acepta cuando ve la salida superpuesta sobre la imagen que conoce.»
Cómo replantearía el despliegue hoy
Tres cosas cambiaría: uno, adiós Colab, hola Apple Silicon nativo (PyTorch MPS sobre Mac Mini M4); dos, audit trail incorporado al producto (Langfuse self-hosted); tres, cuantización int8 para producción, fp32 para reentrenamiento.
This is a commentary on the architecture and use case of my M.Sc. thesis at UCM (2024), developed with Dawako Med Tech under NDA.
Why sarcopenia
Sarcopenia — the progressive loss of muscle mass and function — has long since stopped being a geriatric concern. In elite sports medicine it is an early marker of overtraining, incomplete recovery, or imminent injury.
"The metrics that matter in biomedical imaging are not the ones in the paper. They are the ones the clinician accepts when they see the output overlaid on the image they know."
How I would re-frame deployment today
Three changes: one, goodbye Colab, hello native Apple Silicon (PyTorch MPS on Mac Mini M4); two, audit trail built into the product (Langfuse self-hosted); three, int8 quantisation for production, fp32 for retraining.