UNIVERSIDAD NACIONAL DE TRUJILLO

Facultad de CC.FF. y MM.

Escuela Profesional de Informtica

PROGRAMA LOGICO Y RED NEURONAL PARA LA

DETECCION DE CANCER DE PIEL EN EL INSTITUTO
REGIONAL DE NEOPLASICAS (IREN) - TRUJILLO

AVANCE DEL PROYECTO DEL CURSO COMPUTACON SIMBOLICA Y

NUMERICA.

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:

El Instituto Regional de Enfermedades Neoplsicas (IREN) es una

institucin pblica estatal, dependiente del Ministerio de Salud que brinda
atencin a pacientes con diagnostico ya establecido de cncer y/o aquellos
con sospecha de cncer. Est ubicada en Panamericana Norte Km. 558
Trujillo, La Libertad.
Los estudios epidemiolgicos de mortalidad constituyen un importante
instrumento de evaluacin de la efectividad de los programas de
prevencin y control del cncer. El anlisis permite identificar cambios
significativos y focalizar las conclusiones en las causas ms prevenibles.
Segn la Agencia Internacional de Investigacin en Cncer (IARC), en el
ao 2008, 7,6 millones personas murieron de cncer en el mundo, el 63%
en las regiones econmicamente menos desarrolladas. Un informe de la
OPS/OMS revela que el 50% de las muertes en las Amricas ocurren en
Amrica Latina y el Caribe que concentra el 63% de la poblacin del
continente. El ao 2007 la tasa de mortalidad por cncer en Per fue 107,9
por 100 000 habitantes, segunda causa de muerte despus de las
enfermedades transmisibles. En Trujillo, el cncer fue la primera causa de
muerte entre 3 886 defunciones.
En lo que va del 2016, la Liga de Lucha Contra el Cncer en Trujillo logr
detectar un total de 262 casos de este mal oncolgico. Entre ellos 201 de
cuello uterino, 24 de mama, 26 de piel, 4 de prstata, 2 de colon y 5 de
estmago.
Las cinco localizaciones con mayor mortalidad por cncer son estmago,
cuello uterino, prstata, colon- recto y pulmn, en conjunto representaron
48% de todas las muertes por cncer como se aprecia en la Tabla 1.
Anualmente murieron 90 personas por cncer de estmago, 50 de cuello
uterino, 38 de prstata, 37 colorrectal, 36 pulmones y 30 de mama. Ver
ANEXO1 (pg. 8).
El objetivo del presente trabajo es el de desarrollar un programa lgico y
red neuronal para la deteccin A TIEMPO de cncer de piel en el instituto
regional de enfermedades neoplsicas (IREN) que establezca la
probabilidad de un paciente de obtener un diagnstico positivo a partir del
resultado del programa.
 El cncer constituye un problema de salud pblica a nivel mundial, en la
regin de las Amricas y en nuestro pas, por su alta mortalidad como por
la discapacidad que produce.
Una adecuada solucin ser la implementacin de un test para poder
detectar dicho cncer con un margen de error menor, tomando en cuenta
factores mdicos para el diagnstico.
Y visto la tasa de mortalidad que conlleva no detectar a tiempo el dicho
cncer y tambin tomando en cuenta que los anlisis para poder detectar
el cncer de piel toman tiempo tras los anlisis y las intervenciones
quirrgicas, proponemos nuestro proyecto titulado PROGRAMA
LOGICO Y RED NEURONAL PARA LA DETECCION DE CANCER
DE PIEL EN EL INSTITUTO REGIONAL DE NEOPLASICAS (IREN)
TRUJILLO
2. ANTECEDENTES:

2.1 PRIMER ANTECEDENTE:

Ttulo: Sistema de Deteccin y Tratamiento de Enfermedades

Cutneas (SDTEC)
Institucin: Universidad Pontificia Comillas Escuela Tcnica Superior
De Ingeniera (Icai)
Autores: Celia Hergueta Gonzlez
Ao: Setiembre 2006

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.

Para la adquisicin del conocimiento se ha hecho uso de la entrevista,

empezando por entrevistas abiertas y el modo de diagnstico y entrando
paulatinamente en entrevistas estructuradas con el fin de obtener la base
 de conocimientos que ser usada para diagnosticar la enfermedad a
partir de las observaciones o hechos realizadas al paciente.
Una vez finalizado el sistema y la aplicacin, se puso a prueba con el
experto examinando las inferencias realizadas por el sistema experto y
la bondad de las mismas. Estas sesiones resultaron satisfactorias al
probar diversos sntomas que llevaron a diagnsticos correctos. La
interfaz tambin se puso a prueba obteniendo un resultado satisfactorio
gracias a la facilidad y la sencillez en su funcionamiento. Como
conclusin, cabe destacar que se han cumplido todos los objetivos
impuestos por el proyecto y han sido solucionados de forma
satisfactoria.

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.

2.2 SEGUNDO ANTECEDENTE:

Ttulo: Algoritmo Para La Atencin Integral A Pacientes Con Cncer

Cutneo No Melanoma
Institucin: Hospital Militar Clnico Quirrgico Docente Dr. Octavio
De La Concepcin Y De La Pedraja
Autores: Dr. Hector Oscar Victoria Brzaga
Ao: 2011

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

2.3 TERCER ANTECEDENTE:

Ttulo: Sistema Experto de prediccin de Cncer Prosttico a travs de
muestras de sangre por examen de Antgeno Prosttico Especfico
Institucin: Universidad El Bosque - Facultad de Ingeniera de
Sistemas
Autores: Andrs Leonardo Corredor Mahecha
Ao: Junio 2007
Resumen:
El presente documento es el reporte de la finalizacin de una
investigacin que tuvo como fin desarrollar un sistema experto de
diagnstico de cncer de prstata mediante niveles de antgeno
prosttico especfico (PSA) en sangre. La construccin de software
cont con el apoyo de los conocimientos de un experto urlogo
colombiano.
Para esto el sistema experto se desarroll utilizando el lenguaje de
programacin CLIPS con las libreras JESS para la plataforma
JAVA, as mismo, se emple una base de conocimientos en MySQL.
Se alcanz un nivel de desacoplamiento de software, se utiliz el patrn
de diseo modelo vista controlador (MVC) con un ambiente Web en
SERVLETs y JSPs, y se aloj en un servidor HTTP Apache Tomcat.
Este proyecto se soporta en las lneas de investigacin de inteligencia
artificial y sistemas expertos.

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.

2.6 SEXTO ANTECEDENTE:

Ttulo: Software Para la Deteccin de Melanoma Mediante el Anlisis
de Lunares Usando Reconocimiento de Imgenes y redes Neuronales
Artificiales.
Institucin: Facultad de Ciencias de la Saludad Universidad de
Montemorelos.
Autor: Cristofer I. Marn Vergara, Germn Harvey Alfrez Salinas.
Ao: Abril, 2010.
Resumen:
Un lunar es la acumulacin benigna de clulas pigmentarias. Pueden ser
de tamao, forma y color variables, en funcin de su localizacin y de
su modo de aparicin. Pueden estar aislados o en grupos.
El melanoma es un cncer de piel que se desarrolla a expensas de los
meloncitos de la piel. Surge espontneamente o sobre un lunar que se
modifica. Su diagnstico precoz hace posible su curacin pero en una
fase ms tardea puede extenderse (por metstasis) a otros rganos del
cuerpo, lo que disminuye mucho las posibilidades de curacin. Cabe
destacar que el melanoma es el causante de la mayora de las muertes
relacionadas con el cncer de piel.
Aporte:
Al construir el software que analice fotografas de lunares y realice la
deteccin de melanomas usando procesamiento de imgenes y redes
neuronales artificiales. Los parmetros que el software utiliza en esta
primera etapa para lograr la deteccin es lo que se conoce en el rea de
la dermatologa como abecedario de lesiones. El software en esta
primera etapa omite los parmetros de color y evolucin del
abecedario de lesiones pues las fotografas se manejan en dos
dimensiones y se procesan en escala de grises.
2.7 SPTIMO ANTECEDENTE:
Ttulo: Deteccin de distintos tipos de cncer mediante Redes
Neuronales Artificiales.
Institucin: Universidad de la Laguna.
Autor: Alberto Faria Barrera.
Ao: Julio, 2006.

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.

2.9 NOVENO ANTECEDENTE:

Ttulo: Asimetra de regiones digitales bajo el concepto de

compacidad en el diagnstico de cncer de piel.
Institucin: Instituto Tecnolgico de Len, Len, Gto, Mxico
Autor: Ral Santiago, Antonio Zamarrn.
Ao: SETIEMBRE, 2013

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.

2.10 DECIMO ANTECEDENTE:

Ttulo: Deteccin de cncer de piel mediante inteligencia artificial

Institucin: Universidad de Stanford
Autores: Javier Jimnez.
Ao: 2011

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

El resultado que buscamos es un programa de ordenador sobre una

mquina especfica desarrollado a partir del conocimiento que
supuestamente usaba el operador humano (experto) que realizaba esa
tarea.
1.3) DOMINIOS
La IA aborda tres tipos de tareas
-Dominios formales
-Dominios tcnicos
-Dominios cognitivos
Dominios formales Donde se pretende solucionar problemas mediante
modelos de bsquedas en un espacio de estados, ya sean modelos de tipo
algortmico o heurstico. Estos problemas pueden ser juegos o
demostracin de teoremas.
Dominios tcnicos
Donde utilizaremos conocimiento cientfico-tcnico, posiblemente
educido de un experto e intentaremos solucionar problemas del tipo de
diagnsticos mdicos, robtica, etc. Tpicamente hablamos de Sistemas
Expertos (SSEE)
Dominios cognitivos
Donde se intenta comprender el funcionamiento de nuestro cerebro y
sus funciones cognitivas (razonar, or, hablar, o incluso emocionarnos)
emulando dichos procesos con modelos computacionales.

2) Redes Neuronales Artificiales

2.1) Historia:
Los dos pioneros en la investigacin de redes neuronales fueron Warren
McCulloch y Walter Pitts, que propusieron un modelo matemtico de
neurona donde cada una de ellas est dotada de un conjunto de entradas y
salidas. Cada entrada est afectada por un peso y la activacin de la
neurona se calcula mediante la suma de los productos de cada entrada y la
salida es una funcin de esta activacin. Este modelo se conoce como
Neurona de McCullochPitts y ha servido de inspiracin para el
desarrollo de otros modelos neuronales.

FIGURA 1: Primera poca de la historia de RNA

FIGURA 2: poca intermedia de la historia de RNA

FIGURA 3: Segunda poca de la historia de RNA

2.2) Definicin:
Una red neuronal es un procesamiento distribuido masivamente paralelo
que tiene una tendencia natural para almacenar conocimiento emprico y
hacerlo disponible para el uso
Recuerda al cerebro en 2 aspectos:
1) Conocimiento se adquiere por la red a travs de un proceso de
aprendizaje
2) Las conexiones interneurnicas, se conocen como pesos sinpticos y
se usan para almacenar el conocimiento (Haykin, 2001)
Segn (ZURADA, 1992) Sistemas de redes neuronales artificiales, o
redes neuronales son sistemas celulares fsicos que puedan adquirir,
almacenar y usar conocimiento emprico
2.3) Caractersticas:
Las redes neuronales constan de un conjunto de neuronas como la de
McCulloch-Pitts organizadas en tres tipos de capas:
La capa de entrada: esta suele contener una neurona por cada
variable que se le pasar a la red.
Capas ocultas: estn compuestas por un nmero variable de
neuronas dependiendo de la longitud que abarque el problema que
agilizarn el trabajo de aprendizaje. No hay un nmero definido de capas
ocultas, puede haber varias, no haber ninguna o solo una.
La capa de salida: contiene una neurona por cada salida deseada
de la red, conformando por tanto el resultado de la misma. El mtodo ms
comn de interconexin de estas capas es de manera 'uno a todos', donde
el resultado de la neurona de una capa se propaga a todas las neuronas de
la capa siguiente.

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

2.4.2) Algoritmos con aprendizaje no supervisado:

El aprendizaje no supervisado o auto supervisado no hay un maestro o
critico externo para supervisar el proceso de aprendizaje.
Est constituido por un conjunto de reglas que dan a la red la habilidad de
aprender asociaciones entre los patrones que ocurren en conjunto
frecuentemente.
Una vez aprendido como asociacin permite a las redes realizar tareas
tiles de reconocimiento de patrones y recordar.
Aprendizaje Asociativo
Aprendizaje Competitivo y cooperativo
2.4.3) Algoritmos con aprendizaje por reforzamiento:
El aprendizaje de una comparacin entrada/salida se desempea a travs
de la interaccin continua del medio ambiente de tal forma que se
minimice un ndice escalar de su desempeo.
Aprendizaje por Reforzamiento Se basa en la idea de no disponer de un
ejemplo completo del comportamiento deseado, es decir, la funcin del
supervisor se reduce a indicar mediante una seal de refuerzo si la salida
de la red se ajusta a la deseada (xito=1, fracaso=-1) y en funcin de ello
se ajustan los pesos basndose en un mecanismo de probabilidades.
2.5) Algoritmos de aprendizaje (Redes o arquitecturas):
RNAs con Back-Propagation: La propagacin hacia atrs de
errores o retro propagacin (del ingls Back-Propagation) es un algoritmo
de aprendizaje supervisado que se usa para entrenar redes neuronales
artificiales. Una vez que se ha aplicado un patrn a la entrada de la red
como estmulo, este se propaga desde la primera capa a travs de las capas
superiores de la red, hasta generar una salida. La seal de salida se
compara con la salida deseada y se calcula una seal de error para cada
una de las salidas. Las salidas de error se propagan hacia atrs, partiendo
de la capa de salida, hacia todas las neuronas de la capa oculta que
contribuyen directamente a la salida. Sin embargo, la neurona de la capa
oculta solo reciben una fraccin de la seal total del error, basndose
aproximadamente en la contribucin relativa que haya aportado cada
neurona a la salida original. Este proceso se repite, capa por capa, hasta
que todas las neuronas de la red hayan recibido una seal de error que
describa su contribucin relativa al error total.
Arquitectura hbrida Counter-Propagation Se trata de una
arquitectura que combina tanto aprendizaje no supervisado como
aprendizaje supervisado. La primera parte del algoritmo es un mapa auto-
organizado o mapa de Kohonen este mapa es un tipo de red neuronal
artificial que es entrenada usando aprendizaje no supervisado para
producir una representacin discreta del espacio de las muestras de
entrada. Pasada una entrada a un mapa de tamao MxM, la salida puede
tener dos formas, se puede devolver la posicin X, Y de la neurona del
mapa que se ha activado con esa entrada o una lista o array con todas las
neuronas del mapa representadas como 0, excepto la que se activ que se
marcar con un 1. Esta capa permite simplificar el problema inicial de
forma que la siguiente capa pueda resolverlo ms fcilmente. La salida
del mapa en forma de matriz se pasa a la segunda parte del algoritmo,
formada por una red neuronal Perceptrn Simple, similar a Back-
Propagation pero sin neuronas ocultas, cuyo nmero de entradas ser el
nmero de neuronas del mapa.
3. SISTEMA BASADO EN CONOCIMIENTO:

Los sistemas basados en conocimientos, un subconjunto de la

inteligencia artificial. A diferencia de los DSS, Los sistemas basados en
conocimientos tienen el potencial para extender la capacidad de resolucin
de problemas del gerente ms all de sus posibilidades normales. Una
forma muy popular del sistema basado en el conocimiento es el sistema
experto.
4. LOGICA:

4.1) Lgica proposicional o lgica de enunciados:

Toma como elemento bsico las frases declarativas simples o
proposiciones que son aquellos elementos de una frase que constituyen
por si solos una unidad de comunicacin y pueden ser considerados
verdaderos o falsos.
4.2) Lgica de predicados:
Estudia las frases declarativas con mayor grado de detalle, considerando
la estructura interna de las proposiciones. Se tomarn como elemento
bsico los objetos y las relaciones entre dichos objetos, Es decir, se
distingue:
Que se afirma (predicado o relacin)
De quin se afirma(objeto)
5. ARQUITECTURA DE UN SISTEMA EXPERTO:
No existe una estructura de sistema experto comn. Sin embargo, la
mayora de los sistemas expertos tienen unos componentes bsicos: base
de conocimientos, motor de inferencia, base de datos e interfaz con el
usuario. Muchos tienen, adems, un mdulo de explicacin y un mdulo
de adquisicin del conocimiento.
5.1) Base de conocimientos:
La base de conocimientos contiene el conocimiento especializado extrado
del experto en el dominio. Es decir, contiene conocimiento general sobre
el dominio en el que se trabaja. El mtodo ms comn para representar el
conocimiento es mediante reglas de produccin. El dominio de
conocimiento representado se divide, pues, en pequeas fracciones de
conocimiento o reglas.
5.2) Sistemas basados en conocimientos:
Los sistemas basados en conocimientos, un subconjunto de la
inteligencia artificial. A diferencia de los DSS, Los sistemas basados en
conocimientos tienen el potencial para extender la capacidad de
resolucin de problemas del gerente ms all de sus posibilidades
normales. Una forma muy popular del sistema basado en el
conocimiento es el sistema experto
5.3) Base de datos:
La base de datos o base de hechos es una parte de la memoria del
ordenador que se utiliza para almacenar los datos recibidos inicialmente
para la resolucin de un problema. Contiene conocimiento sobre el caso
concreto en que se trabaja. Tambin se registrarn en ella las conclusiones
intermedias y los datos generados en el proceso de inferencia. Al
memorizar todos los resultados intermedios, conserva el vestigio de los
razonamientos efectuados; por lo tanto, se puede utilizar explicar las
deducciones y el comportamiento del sistema.
5.4) Motor de inferencia:
El motor de inferencias es un programa que controla el proceso de
razonamiento que seguir el sistema experto. Utilizando los datos que se
le suministran, recorre la base de conocimientos para alcanzar una
solucin. La estrategia de control puede ser de encadenamiento progresivo
o de encadenamiento regresivo. En el primer caso se comienza con los
hechos disponibles en la base de datos, y se buscan reglas que satisfagan
esos datos, es decir, reglas que verifiquen la parte SI. Normalmente, el
sistema sigue los siguientes pasos:
1.- Evaluar las condiciones de todas las reglas respecto a la base de datos,
identificando el conjunto de reglas que se pueden aplicar (aquellas que
satisfacen su parte condicin)
2.- Si no se puede aplicar ninguna regla, se termina sin xito; en caso
contrario se elige cualquiera de las reglas aplicables y se ejecuta su parte
accin (esto ltimo genera nuevos hechos que se aaden a la base de datos)
3.- Si se llega al objetivo, se ha resuelto el problema; en caso contrario, se
vuelve al paso 1
A este enfoque se le llama tambin guiado por datos, porque es el estado
de la base de datos el que identifica las reglas que se pueden aplicar.
Cuando se utiliza este mtodo, el usuario comenzar introduciendo datos
del problema en la base de datos del sistema.
5.5) Interfaz con el usuario: El interfaz de usuario permite que el usuario
pueda describir el problema al sistema experto. Interpreta sus preguntas,
los comandos y la informacin ofrecida. A la inversa, formula la
informacin generada por el sistema incluyendo respuestas a las
preguntas, explicaciones y justificaciones. Es decir, posibilita que la
respuesta proporcionada por el sistema sea inteligible para el interesado.
Tambin puede solicitar ms informacin si le es necesaria al sistema
experto. En algunos sistemas se utilizan tcnicas de tratamiento del
lenguaje natural para mejorar la comunicacin entre el usuario y el sistema
experto.
6. Melanoma:
6.1) Qu es?
El melanoma es un tipo de cncer de piel que aparece cuando las clulas
llamadas melanocitos se convierten en malignas. Estas clulas elaboran
un pigmento llamado melanina, responsable del color de la piel, del pelo
y del iris de los ojos. La melanina, por su parte, funciona como un
fotoprotector evitando que la radiacin solar dae las estructuras o los
tejidos del cuerpo. Cuando la piel se expone al sol, los melanocitos
producen ms melanina como defensa contra la accin de los rayos
ultravioleta (UV). Los lunares o pecas aparecen cuando los melanocitos
crecen en grupo.
6.2) Causas
Tener la piel o el pelo claros.
Presencia de nevus atpicos.
Presencia de nevus en una cantidad superior a 40.
Presencia de nevus congnitos.
Tener antecedentes familiares de nevus atpicos, de melanoma o de
ambas cosas.
Haber sufrido una o ms quemaduras severas por el sol, especialmente si
se han producido en la infancia, pues el efecto de la irradiacin solar es
acumulativo.
Haber estado expuesto muchas horas a rayos ultravioleta (sol, UVB,
UVA) aunque tenga la piel totalmente bronceada.
6.3) Sntomas
Aunque el melanoma puede aparecer a cualquier edad y cada vez se
diagnostica ms en jvenes, la mayor frecuencia se da entre los 40 y 50
aos, lo cual es comn a los distintos cnceres de piel.
En cuanto al sexo, el melanoma se da con ms frecuencia en mujeres que
en hombres, aunque generalmente tiene un mejor pronstico que para los
hombres.
Las personas rubias, pelirrojas y con los ojos claros tienen ms
posibilidades de tener un melanoma. Las personas de raza blanca tambin
cuentan con ms posibilidades que las de tez oscura.
Las profesiones realizadas a la intemperie y los deportes al aire libre
tambin son un factor de riesgo.
Las personas con una piel muy sensible que siempre se queman y nunca
se broncean en su primera exposicin constituyen un grupo de riesgo.
Las personas que en algn momento de su vida se han visto afectadas por
un melanoma corren el riesgo de recaer o de desarrollar nuevos
melanomas. Por este motivo es muy importante el seguimiento mdico y
el mantenimiento de medidas de prevencin.
Las personas en situacin de inmunodepresin (leucemia, linfomas,
trasplante de rganos, sida, etctera) tienen mayor riesgo de desarrollar un
melanoma.
6.4) Prevencin
El sol constituye el principal factor de riesgo para desarrollar un
melanoma, por lo que es recomendable tomar una serie de medidas bsicas
a la hora de exponerse a los rayos solares. Las personas con melanoma
deben seguir con especial atencin las normas generales para protegerse
de la radiacin, ya que corren un mayor riesgo de desarrollar nuevos
tumores. Para proteger la piel, conviene tener en cuenta los siguientes
consejos:
Aplquese el protector solar antes de la exposicin: Se debe aplicar el
protector solar antes de la exposicin al sol y renovar frecuentemente su
aplicacin, sobre todo, si se est en la playa o en la piscina, despus de
cada bao.
Evite las horas de mayor intensidad: La exposicin al sol debe ser
progresiva y se debe evitar entre las 12h y las 16h.
Proteja a los nios: No exponga a insolacin directa a los nios menores
de tres aos y en las horas de dbil insolacin protjales con un
fotoprotector de alta proteccin a fin de preservar el mayor tiempo posible
su capital solar
Utilice proteccin en actividades al aire libre: Las actividades al aire libre
tambin pueden provocar quemaduras. Utilice proteccin solar en paseos
tanto andando como en bicicleta, cuando realice deporte o se encuentre en
jardines o terrazas, etctera.
No baje la guardia ante factores que aminoren la sensacin de calor: No
se fe de las circunstancias que comportan un riesgo suplementario o una
falsa seguridad: altitud, nubosidad, superficies reflectoras (nieve, arena,
hierba, agua), viento fresco, etctera.
Protjase con gafas de sol, gorra y ropa seca: Utilice gorra y gafas de sol
con cristales homologados capaces de filtrar los rayos UVA y UVB. A los
nios, adems, protjalos con una camiseta seca y opaca: una camiseta
mojada deja pasar los rayos UV.
Squese bien despus de cada bao: El efecto lupa de las gotas de agua
favorece las quemaduras solares y disminuye la eficacia de los protectores
solares aunque estos sean resistentes al agua.
Beba agua en abundancia y frecuentemente: El sol deshidrata el
organismo. Vigile en especial a las personas mayores, cuya sensacin de
sed est atenuada, y a los nios, cuya necesidad de agua es importante y
sus centros de termorregulacin todava inmaduros.
Evite las sesiones bronceadoras con lmparas de rayos UVA:
Contribuyen a la aparicin de cnceres cutneos y aceleran el
envejecimiento de la piel.
Revise sus pecas y lunares: Si advierte la aparicin de una nueva peca o
lunar, o que alguno de los que ya tiene cambia de forma, tamao o color
consulte a su dermatlogo.
4. Bibliografa:
BARZAGA, D. H. (2011). Algoritmo para la atencion integral
de pacientes con cancer cutaneo no Melanoma. Camaguey: Universidad
de Ciencias Medicas Camagey.
GONZALES, C. H. (2006). Sistema de Deteccion y Tratramiento
de Enfermedades Cutaneas. Madrid: Universidad Pontificia Comillas.
HILERA, J. R., & J. MARTINEZ, V. (2000). Redes Neuronales
Artificiales. Madrid: Alfaomega.
MAHECHA, A. L. (2011). Sistema Experto de prediccion de
Cancer Prostatico a travez de muestras de sangre por examen de
Antigeno Prostatico Especifico. Investigacin Cientfica y Tecnolgica,
Universidad El Bosque , 3-50.
RAMIREZ Q., S., PONCE E. , C., & NOLIVOS A. , I. (2007).
Sistema Experto para la Deteccion de Cancer a la Glandula Tiroides.
Guayaquil - Ecuador: Escuela Superior Politecnica del Litoral (ESPOL).
RUSSELL, S. J., & NORVIG, P. (2004). Inteligencia Artificial
un Enfoque Moderno . Madrid: Pearson Educacion S.A.