Autores:
ROJAS SIGUENZA JOSUE
MINCHON BENITES FELIX
RONDO NONTOL EDER
MERCADO LIZARRAGA JOSE ANTONIO
Docente:
Ing. Jorge Bravo Escalante
Trujillo, Per
2017
1. REALIDAD PROBLEMTICA: .............................................................................................. 5
2. ANTECEDENTES: .................................................................................................................... 6
2.1 PRIMER ANTECEDENTE: .................................................................................................... 6
Ttulo: Sistema de Deteccin y Tratamiento de Enfermedades Cutneas (SDTEC) ................. 6
Resumen: ................................................................................................................................... 6
Aporte: ....................................................................................................................................... 7
2.2 SEGUNDO ANTECEDENTE: ................................................................................................ 7
Ttulo: Algoritmo Para La Atencin Integral A Pacientes Con Cncer Cutneo No Melanoma
.................................................................................................................................................... 7
Resumen: ................................................................................................................................... 7
Aporte: ....................................................................................................................................... 8
2.3 TERCER ANTECEDENTE:.................................................................................................... 8
Ttulo: Sistema Experto de prediccin de Cncer Prosttico a travs de muestras de sangre por
examen de Antgeno Prosttico Especfico ................................................................................ 8
Resumen: ................................................................................................................................... 8
Aporte: ....................................................................................................................................... 8
2.4 CUARTO ANTECEDENTE: .................................................................................................. 9
Ttulo: Sistema Experto para la deteccin de cncer a la glndula tiroides - Siecat ................. 9
Resumen: ................................................................................................................................... 9
Aporte: ....................................................................................................................................... 9
2.5 QUINTO ANTECEDENTE:.................................................................................................. 10
Ttulo: Evaluacin de los Resultados de Papanicolaou como Indicador de Cncer de Cuello
Uterino en las Mujeres de Edad frtil de 20 a 45 aos, que acuden a consulta en el Sub Centro
de Salud 29 de noviembre de la ciudad de Santa Rosa, 2009 ............................................... 10
Resumen .................................................................................................................................. 10
Aporte ...................................................................................................................................... 10
2.6 SEXTO ANTECEDENTE: .................................................................................................... 11
Ttulo: Software Para la Deteccin de Melanoma Mediante el Anlisis de Lunares Usando
Reconocimiento de Imgenes y redes Neuronales Artificiales. ............................................... 11
Resumen: ................................................................................................................................. 11
Aporte: ..................................................................................................................................... 11
2.7 SPTIMO ANTECEDENTE: ................................................................................................ 12
Ttulo: Deteccin de distintos tipos de cncer mediante Redes Neuronales Artificiales. ....... 12
Resumen: ................................................................................................................................. 12
Aporte: ..................................................................................................................................... 12
2.8 OCTAVO ANTECEDENTE: ................................................................................................ 13
Ttulo: Descripcin del borde utilizando medidas de compacidad aplicado al diagnstico
automtico de cncer de piel .................................................................................................... 13
Resumen .................................................................................................................................. 13
Aporte ...................................................................................................................................... 13
2.9 NOVENO ANTECEDENTE: ................................................................................................ 13
Ttulo: Asimetra de regiones digitales bajo el concepto de compacidad en el diagnstico de
cncer de piel............................................................................................................................ 13
Resumen .................................................................................................................................. 13
Aporte....................................................................................................................................... 14
2.10 DECIMO ANTECEDENTE: ............................................................................................... 14
Ttulo: Deteccin de cncer de piel mediante inteligencia artificial........................................ 14
Resumen: ................................................................................................................................. 14
Aporte: ..................................................................................................................................... 15
3. MARCO REFERENCIAL ........................................................................................................... 16
1) INTELIGENCIA ARTIFICIAL .............................................................................................. 16
1.1) DEFINICION .................................................................................................................... 16
1.2) PARADIGMAS ................................................................................................................ 16
1.3) DOMINIOS....................................................................................................................... 16
2) Redes Neuronales Artificiales.................................................................................................. 17
2.1) Historia: ............................................................................................................................ 17
2.2) Definicin: ........................................................................................................................ 18
2.3) Caractersticas: .................................................................................................................. 19
2.4) Ventajas: ........................................................................................................................... 19
2.4) Algoritmos de aprendizaje: ............................................................................................... 20
2.5) Algoritmos de aprendizaje (Redes o arquitecturas): ......................................................... 21
3. SISTEMA BASADO EN CONOCIMIENTO: .................................................................... 21
4. LOGICA:.............................................................................................................................. 22
4.1) Lgica proposicional o lgica de enunciados: .................................................................. 22
4.2) Lgica de predicados: ....................................................................................................... 22
5. ARQUITECTURA DE UN SISTEMA EXPERTO:............................................................ 22
5.1) Base de conocimientos:..................................................................................................... 22
5.2) Sistemas basados en conocimientos:................................................................................. 22
5.3) Base de datos: ................................................................................................................... 22
5.4) Motor de inferencia: .......................................................................................................... 23
5.5) Interfaz con el usuario:...................................................................................................... 23
6. Melanoma:................................................................................................................................ 24
6.1) Qu es? ............................................................................................................................ 24
6.2) Causas ............................................................................................................................... 24
6.3) Sntomas............................................................................................................................ 24
6.4) Prevencin......................................................................................................................... 25
4. Bibliografa: ................................................................................................................................. 26
PROGRAMA LOGICO Y RED NEURONAL PARA LA DETECCION
DE CANCER DE PIEL EN EL INSTITUTO REGIONAL DE
NEOPLASICAS (IREN) - TRUJILLO
1. REALIDAD PROBLEMTICA:
Resumen:
Este proyecto consiste en el desarrollo de una aplicacin cuyo propsito
principal es el diagnstico de enfermedades cutneas. La aplicacin
aade una serie de caractersticas adicionales como es una correcta
gestin de la informacin, tanto de las enfermedades tratadas por el
sistema como de los diagnsticos y los pacientes tratados por el sistema.
Esta informacin es de utilidad para el usuario a modo de consulta,
facilitando estadsticas e informacin de inters para l. Para la
realizacin de este sistema, se ha hecho uso de las tcnicas de Ingeniera
del Conocimiento, creando as un sistema experto, y del Data Mining
para aportar fiabilidad al diagnstico.
Aporte:
La aplicacin no slo se encargar de ofrecer la(s) enfermedad(es) ms
apropiada para las entradas suministradas como sntomas y
observaciones cnicas, sino que ofrece as mismo un tratamiento de
acuerdo a las especificaciones descritas en el sistema, estudiando los
antecedentes del paciente y posibles incompatibilidades con dicho
tratamiento, es decir, es sistema, adems de ofrecer la solucin ms
adecuada a los sntomas introducidos permite gestionar los tratamientos
y los pacientes que han sido diagnosticados a travs de este Sistema.
Resumen:
Se presenta un algoritmo para la atencin integral a pacientes con
cncer cutneo no melanoma que incluye: secuencia de acciones,
funciones del personal mdico y paramdico, mtodos preventivos y
teraputicos, medios diagnsticos y el modo de seguimiento clnico.
Para la confeccin del algoritmo se revis la literatura nacional e
internacional especializada en el tema; se realiz un anlisis crtico de
los mtodos establecidos en Cuba para la prevencin, diagnstico y
tratamiento de la enfermedad, y se determinaron insuficiencias en el
proceso de asistencia mdica y sus reas de salud. Los resultados
obtenidos con la implementacin del algoritmo demostraron su
efectividad en la atencin integral a los enfermos con cncer cutneo no
melanoma, debido a que se garantiz la prevencin, el diagnstico
precoz, el examen fsico adecuado, el tratamiento correcto, la
notificacin, el seguimiento clnico peridico y la remisin de los
pacientes complicados, con la aparicin de escasas complicaciones.
Aporte:
Contribuir e incrementar los conocimientos en educacin sanitaria
sobre el cncer de piel no melanoctico al personal de la salud, lo que
permitir mejorar su nivel de competencia profesional y atencin en
pacientes, familiares y poblacin en general
Aporte:
Al desarrollar el sistema experto de prediccin de cncer de prstata
se utilizaron nuevas tecnologas, JESS, JAVA, Apache Tomcat,
MySql, Eclipse que permitieron facilitar el desarrollo de los mismos
para el lenguaje CLIPS y lograron satisfacer las exigencias del
desarrollo de la investigacin.
El presente proyecto es un aporte para los estudiantes que estn
cursando las materias de programacin funcional y sistemas expertos
de la Universidad El Bosque. Durante la investigacin se desarroll un
tutorial para hacer la instalacin de la librera JESS 7.0 para el
compilador Eclipse SDK 3.2.1 como plugin, para el desarrollo de
aplicaciones en CLIPS, JESS y JAVA.
2.4 CUARTO ANTECEDENTE:
Ttulo: Sistema Experto para la deteccin de cncer a la glndula
tiroides - Siecat
Institucin: Escuela Superior Politcnica del Litoral (ESPOL)
Autores: Sergio Ramrez Q - Cristina Ponce E. - Indira Nolivos A.
Ao: 2011
Resumen:
El objetivo del presente trabajo es el de desarrollar un Sistema Experto
para el diagnstico mdico de cncer de la glndula Tiroides (SIECAT)
basado en la tcnica de redes bayesianas que establezca la probabilidad
de un paciente de obtener un diagnstico positivo a partir de la
valoracin de su sintomatologa. En la construccin del modelo
bayesiano se incorpor el conocimiento de un experto onclogo. Para
la consecucin del objetivo se desarroll una interfaz de usuario que
permite el acceso en lnea de doctores en medicina -especialistas y no
especialistas- a la informacin y conocimiento contenidos en el Sistema
Experto, de tal forma que el SIECAT pueda ser utilizado como una
herramienta de consulta.
Aporte:
Se propuso desarrollar un Sistema Experto que utilice un modelo de red
bayesiana para ayudar y aportar a determinar la probabilidad de obtener
un diagnstico positivo a partir de la valoracin de la sintomatologa
del paciente.
Para la consecucin del objetivo se desarroll una interfaz de usuario
que permite el acceso en lnea de mdicos especialistas y no
especialistas a la informacin y el conocimiento contenidos en el
Sistema Experto.
2.5 QUINTO ANTECEDENTE:
Ttulo: Evaluacin de los Resultados de Papanicolaou como Indicador
de Cncer de Cuello Uterino en las Mujeres de Edad frtil de 20 a 45
aos, que acuden a consulta en el Sub Centro de Salud 29 de
noviembre de la ciudad de Santa Rosa, 2009
Institucin: Universidad de Guayaquil
Autores: Obst. Mirella Consuelo Torres Vidal
Ao: 2012
Resumen:
En Santa Rosa, segn informe de SOLCA, de El Oro, desde el ao
1999 hasta el 2004, se han presentado cncer in situ (inicial) 38 casos,
cuello de tero con 58 casos, cuerpo de tero con 2 casos. El objetivo
general de la investigacin fue, realizar una evaluacin de los
resultados de las pruebas de Papanicolaou realizadas a mujeres de
edad frtil de 20 a 45 aos, quienes acudieron a la consulta del
Subcentro 29 de Noviembre, sta evaluacin se la realiz revisando
las historias clnicas nicas del ao 2009 de dicho centro de salud. El
estudio fue de carcter descriptivo, los objetos del estudio fueron los
resultados de los exmenes de Papanicolaou, el tamao muestral
fueron las 190 historias clnicas con sus respectivos exmenes de
Papanicolaou. Los resultados obtenidos fueron: la gran mayora de
pacientes en consulta externa, han ido una vez al subcentro de salud
en un 85.7%, entregndosele el resultado de su prueba de PAP al
95.78%; las mujeres incluidas en sta investigacin, en su mayora
estn en un rango de edad entre 20 y 45 aos, han gestado entre 1 y 6
veces, con mnima presencia de abortos espordicos. El 97,36%
procedieron de Santa Rosa, del barrio 29 de Noviembre, su estado
civil fue de unin libre en un 53,15% y han cursado solamente la
primaria en su mayora. El 30% de las mujeres de 20 a 35 aos han
demostrado inflamaciones moderadas. De los 190 casos estudiados el
51.57% no han presentado ITS y el 48.42% si las tuvieron, de las
cuales el 40% de ellas fueron por vaginosis bacteriana y el 8,42%
otras infecciones. El 83,15% el resultado fue negativo para cncer
uterino, el 12,63% dio un resultado indeterminado, mientras que el
3,15% fue una neoplasia intraepitelial cervical grado I (NIC 1) y el
1,02% NIC 1 + HPV.
Aporte:
Otorgar conocimientos de prevencin de las enfermedades del aparato
reproductor femenino en las pacientes que acuden al SCS del Barrio
29 de noviembre.
Mejorar la calidad de vida de las mujeres del cantn Santa Rosa.
Mejorar la calidad de atencin obsttrica en el SCS del Barrio 29 de
noviembre de la Ciudad de Santa Rosa.
Elevar el perfil de la prestacin de servicios de atencin para la salud
en el SCS del Barrio 29 de noviembre.
Resumen:
El objetivo de este trabajo ha sido la deteccin de tres tipos de cncer
mediante redes neuronales artificiales y comparar la eficacia del sistema
diseado con otras soluciones propuestas para el mismo problema,
basadas en computacin evolutiva. Los tres tipos de cncer han sido:
cncer de mama, melanoma y cncer de pulmn.
Se llevaron a cabo estudios con dos clases de arquitecturas neuronales
diferentes, una supervisada, Back-Propagation, y una hbrida, Counter-
Propagation. Esta presenta un algoritmo de entrenamiento no
supervisado con otro de entrenamiento supervisado.
El uso de este sistema no pretende ser el de un diagnosticado final, sino
ms bien una herramienta de soporte para los onclogos, que les
permita hacer un diagnstico inicial del paciente y derivar a pruebas
ms concienzudas.
Aporte:
Mediante este software se han conseguido todos los objetivos
propuestos en un principio, como viene a ser el diagnstico temprano
de 3 tipos de cncer mediante redes neuronales artificiales, esta
investigacin nos brinda tambin conocimientos en base de datos como
se realiz en este en donde se crearon 3 tablas para cada uno de los
canceres citados anteriormente en donde contendr datos de pacientes
con cncer y pacientes sanos para que la red pueda ser entrenada y
validada.
2.8 OCTAVO ANTECEDENTE:
Ttulo: Descripcin del borde utilizando medidas de compacidad
aplicado al diagnstico automtico de cncer de piel
Institucin: Instituto Tecnolgico de Len, Len, Gto, Mxico.
Autor: Ral Santiago-Montero, Noem Barajas.
Ao: SETIEMBRE, 2013
Resumen:
Medir la irregularidad del borde en regiones digitales ha despertado
gran inters en la comunidad cientfica. Aplicaciones en el rea
mdica, visin por computado, geometra digital colocan como un
rasgo importante la descripcin cuantitativa del borde de las regiones.
Una aplicacin donde se vuelve indispensable la cuantificacin de esta
propiedad en la deteccin temprana del melanoma, que es el tipo de
cncer de piel ms letal; tres de cada 4 muertes por cncer de piel se le
atribuyen al melanoma.
Aporte:
En el presente trabajo presentamos una propuesta para medir la
irregularidad del borde de regiones digitales utilizando el concepto de
compacidad; se muestran un conjunto de medidas de compacidad
aplicadas a medir la irregularidad del borde de regiones digitales de
lesiones de piel. Las descripciones obtenidas general un vector n-
dimensional que es utilizado sobre un modelo de inferencia
automtica que genera un diagnstico de la lesin; mostrando la
eficacia de la propuesta.
Resumen:
El cncer de piel tiene tasas de crecimiento del 400% a nivel mundial
y en Mxico este porcentaje es ms alto. Entre todos los canceres
detectados en el mundo, uno de cada tres corresponde a la categora de
cncer cutneo. Entre todos los canceres de piel, el ms letal es el
melanoma. Detectar en etapas tempranas y de forma masiva se ha
convertido en un tema de inters mundial. La regla ABCD es el
principal instrumento de que se sirven los especialistas, de manera
cualitativa, en el diagnstico temprano de este padecimiento. La A se
refiere al grado de asimetra que presenta la lesin, B hace alusin al
borde, C a las tonalidades presentes y D al tamao. Los sistemas de
diagnstico asistido por computadora se han convertido en una opcin
para ayudar al diagnstico masivo y en donde el principal componente
es la descripcin de estas propiedades de las lesiones.
Aporte:
En el presente trabajo se hace uso de la geometra digital para genera
una descripcin de la primera caracterstica, la asimetra, utilizando el
concepto de compacidad para general un vector de caractersticas
cuatro dimensional. Esta propuesta se prueba con varias medidas que
ilustran la utilidad del concepto en procesos de diagnstico asistido
mediante procesos de clasificacin automtica.
Resumen:
Un algoritmo de aprendizaje automtico o machine learning ha
igualado por primera vez a los dermatlogos identificando ciertos
tipos de cncer de piel en base a simples fotografas de lesiones
cutneas.
Suena a otro aburrido avance de la inteligencia artificial, pero en este
caso s que puede tener un impacto brutal a corto plazo. El cncer de
piel es uno de los cnceres ms comunes del mundo. Segn la OMS,
un tercio de todos los cnceres son de piel y casi 100.000 personas
mueren cada ao por su culpa.
Pese a eso y pese a que seguramente sea el cncer ms visible, casi
siempre se diagnostica tarde cuando ya es demasiado agresivo. Un
algoritmo como este y un simple Smartphone podran darle la vuelta a
nuestra lucha contra el cncer de piel. Y no es poco, 130.000
imgenes para superar a los especialistas Snip 20170126120038
Todo empez como un trabajo de clase en la Universidad de Stanford.
Sebastin Thrun, profesor adjunto de inteligencia artificial, propuso a
sus estudiantes iniciar el entrenamiento de una red neuronal.
Reunieron casi 130.000 imgenes de lesiones de piel asociadas a unas
2000 enfermedades distintas y, para sorpresa de todos los primeros
resultados fueron excepcionales.
Aporte:
Esta investigacin es de muy utilidad porque podemos ver que a
atreves de una red neuronal se puede hacer un anlisis mucho ms
minucioso ya que se puede comparar miles de imgenes de piel
lesionada y poder dar un buen diagnstico, tambin nos ensea de
cmo es que este tipo de algoritmo puede llegar a compararse con el
diagnostico de un dermatlogo experto en esto.
3. MARCO REFERENCIAL
1) INTELIGENCIA ARTIFICIAL
1.1) DEFINICION
Todas las definiciones de Inteligencia Artificial estn relacionadas con la
siguiente idea:
Desarrollo de mtodos y algoritmos que permitan comportarse a las
computadoras de modo inteligente.
Los procesos que se llevan a cabo en el cerebro pueden ser analizados, a
un nivel de abstraccin dado, como procesos computacionales de algn
tipo.
El propsito de la IA es hacer computacional el conocimiento humano
por procedimientos simblicos o conexionistas.
1.2) PARADIGMAS
Se corresponden con los dos paradigmas de la IA:
IA clsica o simblica: programable y basado en el supuesto del
conocimiento explicable por procedimientos de manipulacin de
smbolos.
IA conexionista: auto programable por aprendizaje y donde el
conocimiento viene representado la propia estructura de la red neuronal
2.4) Ventajas:
Debido a su constitucin y a sus fundamentos, las redes neuronales
artificiales presentan un gran nmero de caractersticas semejantes a las
del cerebro. Por ejemplo, son capaces de aprender de la experiencia, de
generalizar de casos anteriores a nuevos casos, de abstraer caractersticas
esenciales a partir de entradas que representan informacin irrelevante,
etc. Esto hace que ofrezcan numerosas ventajas y que este tipo de
tecnologa se est aplicando en mltiples reas. Entre las ventajas se
incluyen:
Aprendizaje Adaptativo. Capacidad de aprender a realizar tareas
basadas en un entrenamiento o en una experiencia inicial.
Auto-organizacin. Una red neuronal puede crear su propia
organizacin o representacin de la informacin que recibe mediante una
etapa de aprendizaje.
Tolerancia a fallos. La destruccin parcial de una red conduce a
una degradacin de su estructura; sin embargo, algunas capacidades de la
red se pueden retener, incluso sufriendo un gran dao.
Operacin en tiempo real. Los cmputos neuronales pueden ser
realizados en paralelo; para esto se disean y fabrican mquinas con
hardware especial para obtener esta capacidad.
Fcil insercin dentro de la tecnologa existente. Se pueden
obtener chips especializados para redes neuronales que mejoran su
capacidad en ciertas tareas. Ello facilitar la integracin modular en los
sistemas existentes.
2.4) Algoritmos de aprendizaje:
2.4.1) Algoritmos con aprendizaje supervisado
Se realiza mediante un entrenamiento controlado por un agente externo
(supervisor, maestro), que determina la respuesta que debera generar la
red a partir de una entrada determinada.
Aprendizaje por correccin de error: consiste en ajustar los
pesos de las conexiones de la red en funcin de la diferencia entre los
valores deseados y los obtenidos en la salida de la red; es decir en funcin
del error cometido en la salida
Ejemplo: Backpropagation
Aprendizaje por esfuerzo
Aprendizaje Estocstico