Marcos Alfaro Pérez

Mr. Marcos Alfaro Pérez

orcid
Miguel Hernández University of Elche

Research Focus & Metrics

Academic Career Length

2Years (2025-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
29 July 2025 in Electronics
Verified
Journal Article
Open access
PDF file
Amparo SantamariaAmparo Santamaria
Amparo Santamaria
MPMarcos Alfaro Pérez
Marcos Alfaro Pérez
CACristina Antón-Maldonado
Cristina Antón-Maldonado
BSBeatriz Sánchez-Quiñones
Beatriz Sánchez-Quiñones
NINataly Ibarra
Nataly Ibarra
Luis PayáLuis Payá
Luis Payá
Monoclonal Gammopathy of Undetermined Significance (MGUS) is a precursor to hematologic malignancies such as Multiple Myeloma (MM) and Waldenström Macroglobulinemia (WM). Accurate risk stratification of MGUS patients remains a clinical and computational challenge, with existing models often misclassifying both high-risk and low-risk individuals, leading to inefficient healthcare resource allocation. This study presents a machine learning (ML)-based approach for early prediction of MM/WM progression, using routinely collected hematological data, which are selected based on clinical relevance. A retrospective cohort of 292 MGUS patients, including 7 who progressed to malignancy, was analyzed. For each patient, a feature descriptor was constructed incorporating the latest biomarker values, their temporal trends over the previous year, age, and immunoglobulin subtype. To address the inherent class imbalance, data augmentation techniques were applied. Multiple ML classifiers were evaluated, with the Support Vector Machine (SVM) achieving the highest performance (94.3% accuracy and F1-score). The model demonstrates that a compact set of clinically relevant features can yield robust predictive performance. These findings highlight the potential of ML-driven decision-support systems in electronic health applications, offering a scalable solution for improving MGUS risk stratification, optimizing clinical workflows, and enabling earlier interventions.

10 September 2026
Verified
Book Chapter
Closed access
PDF file
GTGabriele Trivigno
Gabriele Trivigno
MPMarcos Alfaro Pérez
Marcos Alfaro Pérez
CCClaudia Cuttano
Claudia Cuttano
GBGabriele Berton
Gabriele Berton
Luis PayáLuis Payá
Luis Payá
CMCarlo Masone
Carlo Masone

18 February 2026 in Neurocomputing
Verified
Journal Article
Open access
MPMarcos Alfaro Pérez
Marcos Alfaro Pérez
JCJuan José Cabrera
Juan José Cabrera
AGArturo Gil
Arturo Gil
Oscar ReinosoOscar Reinoso
Oscar Reinoso
Luis PayáLuis Payá
Luis Payá

16 May 2026 in Expert Systems with Applications
Verified
Journal Article
Open access
JCJuan José Cabrera
Juan José Cabrera
MPMarcos Alfaro Pérez
Marcos Alfaro Pérez
MFMaría Flores
María Flores
AMAlvaro Martínez
Alvaro Martínez
AGArturo Gil
Arturo Gil
Luis PayáLuis Payá
Luis Payá

1 September 2025 in Jornadas de Automática
Verified
Journal Article
Open access
PDF file
MPMarcos Alfaro Pérez
Marcos Alfaro Pérez
JCJuan José Cabrera
Juan José Cabrera
Oscar ReinosoOscar Reinoso
Oscar Reinoso
Arturo Gil AparicioArturo Gil Aparicio
Arturo Gil Aparicio
Luis PayáLuis Payá
Luis Payá
Las cámaras omnidireccionales son una opción recomendable para la localización de robots móviles, debido a su capacidad de extraer información abundante y contextual de la escena con un campo de visión elevado. No obstante, la información visual es inherentemente sensible a los cambios de apariencia del entorno, lo que puede afectar a la robustez del sistema. Para abordar esta limitación, en este trabajo se propone combinar imágenes omnidireccionales con características intrínsecas derivadas de ellas, como la intensidad promedio o la magnitud del gradiente, mediante técnicas de fusión temprana. Posteriormente, la información fusionada es procesada por una red neuronal convolucional, previamente entrenada con extensas bases de datos para la tarea de localización visual. Los resultados obtenidos demuestran que enriquecer la información visual con estas características mejora significativamente la robustez del sistema, permitiendo una localización precisa y fiable tanto en entornos interiores como exteriores, incluso bajo condiciones de iluminación muy variadas. El código utilizado está disponible a través del siguiente enlace: https://github.com/MarcosAlfaro/LocalizacionVisualFusionTemprana/.