UNIVERSIDAD NACIONAL DE

TRUJILLO
FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS

PROGRAMA LOGICO Y RED NEURONAL PARA LA DETECCION DE

CANCER DE PIEL EN EL ISTITUTO REGIONAL DE ENFERMEDADES
NEOPLASICAS (IREN) - TRUJILLO

AUTORES:

MINCHON BENITES FELIX

ORIILLO ABANTO NOE
ORTEGA CONTRERAS JUAN
ROJAS SIGUENZA JOSUE
RONDON MONTOL EDER
TAIPE LOPEZ ANDY

DOCENTE:

Ing. JORGE BRAVO ESCALANTE

ESCUELA ACADEMICO PROFESINAL

DE INGENIERIA INFORMATICA
Tabla de contenido
ndice de Tablas..................................................................................................................................2
ndice de Figuras................................................................................................................................2
I. Realidad Problemtica................................................................................................................1
II. Formulacin del Problema.........................................................................................................3
III. Objetivos................................................................................................................................3
3.1. Objetivo General................................................................................................................3
3.2. Objetivos Especficos.........................................................................................................3
IV. Justificaciones........................................................................................................................3
4.1. Justificacin Cientfica.......................................................................................................3
4.2. Justificacin Econmica.....................................................................................................3
4.3. Justificacin Social.............................................................................................................3
4.4. Justificacin Tecnolgica....................................................................................................4
V. Antecedentes..............................................................................................................................4
5.1. Primer Antecedente............................................................................................................4
5.2. Segundo Antecedente.........................................................................................................5
5.3. Tercer Antecedente.............................................................................................................6
5.4. Cuarto Antecedente............................................................................................................6
5.5. Quinto Antecedente............................................................................................................7
5.6. Sexto Antecedente..............................................................................................................8
5.7. Sptimo Antecedente..........................................................................................................8
5.8. Octavo Antecedente............................................................................................................9
5.9. Noveno Antecedente.........................................................................................................10
5.10. Decimo Antecedente.....................................................................................................11
VI. MARCO REFERENCIAL...................................................................................................13
6.1. MARCO TEORICO.........................................................................................................13
6.1.1. INTELIGENCIA ARTIFICIAL................................................................................13
6.1.2. REDES NEURONALES ARTIFICIALES...............................................................15
6.1.3. SISTEMAS EXPERTOS..........................................................................................21
6.1.3.1. Definicin.............................................................................................................21
6.1.4. SISTEMA BASADO EN CONOCIMIENTOS........................................................23
6.1.4.1. Definicin.............................................................................................................23
6.1.4.2. Caractersticas.......................................................................................................23
 6.1.5. LOGICA...................................................................................................................23
6.1.5.1. Definicin..............................................................................................................23
6.1.5.2. Lgica Proposicional o Lgica de Enunciados.......................................................24
6.1.5.3. Lgica de Predicados............................................................................................24
6.1.6. Metodologa Para El Reconocimiento De Patrones..................................................24
6.1.6.1. Definicin..............................................................................................................24
6.1.6.2. Etapas para el reconocimiento de patrones..........................................................25
6.2. MARCO CONCEPTUAL................................................................................................27
6.2.1. MELANOMA..............................................................................................................27
6.2.2. LUNARES.......................................................................................................................30
6.2.3. CANCER DE PIEL........................................................................................................33
VII. BIBLIOGRAFIA..................................................................................................................37
VIII. ANEXOS.............................................................................................................................38
ANEXO 1: ESTIMACIONES DE LA INCIDENCIA DE CNCER EN EL PER, 2002-2025.
NMERO DE CASOS NUEVOS POR AO..........................................................................38
ANEXO 2: ESTIMACION DE CANCR DE PIEL EN LIMA Y EL PER...........................39
ANEXO 3: TASA AJUSTADA DE MORTALIDAD POR CANCER DE PIEL......................40
ANEXO 4: CASOS DE NEOPLASIAS CUTNEAS ATENDIDAS EN EL INSTITUTO
NACIONAL DE ENFERMEDADES NEOPLASTIAS, 2000-2011........................................41

ndice de Tablas
Tabla 1: Primera poca de la historia de RNA..................................................................................16
Tabla 2: poca intermedia de la historia de RNA.............................................................................16
Tabla 3: Segunda poca de la historia de RNA.................................................................................17

ndice de Figuras
Figura 1: La inteligencia Artificial...................................................................................................14
Figura 2: Arquitectura de un RNA.....................................................................................................17
Figura 3: Arquitectura de un SE........................................................................................................22
 PROGRAMA LOGICO Y RED NEURONAL PARA LA DETECCION
DE CANCER DE PIEL EN EL INSTITUTO REGIONAL DE
NEOPLASICAS (IREN) - TRUJILLO

I. 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 el Dpto. de Epidemiologia y Estadstica del Cncer se estima que los numero de
casos nuevos por ao va en aumento en el 2012 con un 46,264 y se estima que para el 2025
este aumente a un 51,695. (ANEXO 1).

El cncer de piel es la neoplasia maligna ms frecuente en el mundo y su incidencia ha

aumentado en los ltimos aos; as a nivel mundial, se registran cada ao 2 a 3 millones de
casos de cncer de piel no melanoma y 132 000 casos de melanoma; uno de cada tres
pacientes con diagnstico oncolgico tiene cncer cutneo. La Organizacin Mundial de la
Salud estima que ms de 65.000 personas al ao en todo el mundo mueren a causa de
melanoma.

En el Per no se cuenta con datos sobre la incidencia de las neoplasias de piel sin embargo,
la Direccin General de Epidemiologa (DGE), ha realizado un anlisis de la situacin del
cncer a nivel nacional en base a la vigilancia epidemiolgica de cncer, encontrando una
distribucin de casos segn localizacin topogrfica y sexo en el periodo comprendido
entre los aos 2006 y 2011 encontrndose 3 297 casos en varones y en mujeres 3 945, lo
que hace un total de 7 242 casos de cncer de piel que representan el 6,6% del total de
cnceres registrados. Segn este informe, el cncer de piel ocupa el cuarto lugar de
frecuencia a nivel nacional (ANEXO 2).

Adems, en las regiones donde la distribucin proporcional del cncer de piel respecto al
total de neoplasias registradas es superior al promedio nacional (6,6%) han sido La Libertad
(10,7%), Cajamarca (9,5%), Madre de Dios (9,2%), San Martn (8,0%), Amazonas (7,9%),
Lima (7,9%), Arequipa (7,8%), Ayacucho (7,3%) y Ucayali (7,1%). La DGE tambin seala
que en el ao 2011 se registr un total de 1 208 defunciones por neoplasias malignas de
piel, lo que represent una tasa de mortalidad ajustada de 1,6 por 100 000 habitantes. Por
otro lado, los datos de la Vigilancia Epidemiolgica de Cncer publicados por la DGE del
Ministerio de Salud muestran que el cncer de piel en el Per constituy el tercer cncer

1
ms frecuente en varones y el cuarto ms frecuente en mujeres, para los casos notificados
durante el primer semestre del ao 2012 (ANEXO 3).

Por su parte, el Departamento de Epidemiologa y Estadstica del Cncer del Instituto

Nacional de Enfermedades Neoplsicas (INEN), seala que entre los aos 2000 y 2011, se
han atendido 6 048 casos de neoplasias de piel, que representan el 5,8% del total de
neoplasias atendidas. La evolucin del nmero ha sido ascendente, pasando de 439 casos el
ao 2000 a 592 en el ao 2011(ANEXO 4).

Mientras que segn el IREN en La Libertad la frecuencia de cncer de piel entre los aos
2009 2013 es de 8,5 y 11,6% de todos los diagnsticos realizados en la mencionada
institucin; aunque cabe sealar que muchos casos de cncer de piel no se registran debido
a que un gran nmero de pacientes son tratados ambulatoriamente en los consultorios
mdicos y no son hospitalizados, por tanto, las estadsticas son muy incompletas existiendo
un sub registro considerable.

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
II. Formulacin del Problema.
Mejorara la deteccin de cncer de piel, la implementacin de un programa lgico y red
neuronal en el INSTITUTO REGIONAL DE ENFERMEDADES NEOPLASICAS (IREN) DE
TRUJILLO?

III. Objetivos.
3.1. Objetivo General
Mejorar la deteccin de cncer de piel mediante un programa lgico y red
neuronal en el INSTITUTO REGIONAL DE ENFERMEDADES NEOPLASICAS (IREN) DE
TRUJILLO.

3
 3.2. Objetivos Especficos
Reducir tiempo en el proceso de la deteccin de cncer de piel.
Reducir costos en el proceso de la deteccin de cncer de piel.
Aumentar la satisfaccin de la poblacin que desea un diagnostico ms preciso.

IV. Justificaciones.
IV.1. Justificacin Cientfica
Debido a los extenuantes estudios de cientficos para combatir los diferentes tipos de
cncer, hasta el momento no se ha podido lograr satisfactoriamente un mtodo que
detecte en una etapa inicial el cncer. Mediante los diferentes anlisis que se pueden
realizar de una imagen, es como actualmente se puede dar una solucin a corto plazo para
la deteccin de Cncer de Piel y su prximo diagnstico, ms aun para un hospital como el
IREN que recibe a diario cientos de pacientes con diferentes tipos de cncer y buscan un
diagnostico o deteccin rpida de este tipo de enfermedad, situacin que se busca revertir
para la tranquilidad de los ciudadanos.

IV.2. Justificacin Econmica

Debido a la escasez de especialista (dermatlogo y onclogos) que cuenta el IREN, es que
los pacientes permanecen muchas horas esperando para ser atendidos lo cual le genera
diferentes tipos de gastos; ya sea en comida, pasajes, tiempo perdido en el trabajo y los
gastos que generan las pruebas o exmenes de deteccin. Lo que justifica la creacin de
este programa lgico y red neuronal, la cual evitara la mayora de estos gastos innecesarios
que son provocados a causa de la prdida de tiempo.

IV.3. Justificacin Social

En el IREN es a donde acuden la mayor parte de la poblacin especialmente las personas
de escasos recursos, no cuentan con muchos especialistas y con este proyecto se
beneficiaran los pacientes puesto que podrn consultar con el programa lgico y red
neuronal con la ayuda de un especialista, que podr establecer el tratamiento a seguir.
La poblacin necesita de instrumentos o sistemas que puedan llevar a cabo un control de
salud, ms an si se presentan riesgos de padecer enfermedades o en el peor de los casos
si ya se manifiesta la enfermedad. La salud es lo ms importante, y precisamente el
sistema contribuir a la poblacin en general y a la salud pblica con la disminucin de
casos de cncer de piel o su diagnstico oportuno.

IV.4. Justificacin Tecnolgica

El programa lgico y red neuronal busca modernizar al IREN y a su vez que contribuir a
una nueva forma de diagnstico, donde los usuarios sean o no especialistas, tendrn un

4
 instrumento de consulta para obtener un diagnstico ms 7preciso. Este proyecto
proporcionar un gran avance para la deteccin y prevencin del cncer de piel en la
poblacin utilizando la tecnologa informtica, adems de contener un respaldo terico
que servir para futuras investigaciones relacionados con SE de diagnsticos de
enfermedades.

V. Antecedentes.
V.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.

Aporte:
Nos brinda informacin sobre la ingeniera de conocimiento creando as este sistema
experto, se quiere enfatizar la necesidad de desarrollar un sistema interactivo y sencillo de
usar, sin forzar a los usuarios a tener conocimientos informticos o conocimientos
avanzados de dermatologa.

V.2. Segundo Antecedente

Ttulo: Sistemas de ayuda al diagnstico y reconocimiento de micro calcificaciones
en mamografa mediante descriptores de escala y redes jerrquicas.
Institucin: Universidad Politcnica de Madrid
Autores: Universidad Politcnica de Madrid
Ao: 2015

5
RESUMEN:
La presente Tesis investiga el campo del reconocimiento automtico de imgenes
mediante ordenador aplicado al anlisis de imgenes mdicas en mamografa digital. Hay
un inters por desarrollar sistemas de aprendizaje que asistan a los radilogos en el
reconocimiento de las microcalcificaciones para apoyarles en los programas de cribado y
prevencin del cncer de mama. Para ello el anlisis de las microcalcificaciones se ha
revelado como tcnica clave de diagnstico precoz, pero sin embargo el diseo de sistemas
automticos para reconocerlas es complejo por la variabilidad y condiciones de las
imgenes mamogrficas.
En este trabajo se analizan los planteamientos tericos de diseo de sistemas de
reconocimiento de imgenes, con nfasis en los problemas especficos de deteccin y
clasificacin de microcalcificaciones. Se ha realizado un estudio que incluye desde las
tcnicas de operadores morfolgicos, redes neuronales, mquinas de vectores soporte,
hasta las ms recientes de aprendizaje profundo mediante redes neuronales
convulsinales, contemplando la importancia de los conceptos de escala y jerarqua a la
hora del diseo y sus implicaciones en la bsqueda de la arquitectura de conexiones y
capas de la red.
Con estos fundamentos tericos y elementos de diseo procedentes de otros trabajos en
esta rea realizados por el autor, se implementan tres sistemas de reconocimiento de
mamografas que reflejan una evolucin tecnolgica, culminando en un sistema basado en
Redes Neuronales Convulsinales (CNN) cuya arquitectura se disea gracias al anlisis
terico anterior y a los resultados prcticos de anlisis de escalas llevados a cabo en
nuestra base de datos de imgenes. Los tres sistemas se entrenan y validan con la base de
datos de mamografas DDSM, con un total de 100 muestras de entrenamiento y 100 de
prueba escogidas para evitar sesgos y reflejar fielmente un programa de cribado. La validez
de las CNN para el problema que nos ocupa queda demostrada y se propone un camino de
investigacin para el diseo de su arquitectura.

Aporte:
Nuestro anlisis terico del conexionismo en las redes neuronales artificiales aporta la
importancia de considerar que el principio general de invariancia de escala, aplicado como
marco metodolgico a la hora de disear las estructuras y los niveles jerrquicos de la red
convolucional en los aspectos de campo receptivo, as como nmero y tamao de los
filtros, pone de manifiesto que la bsqueda de las estructuras que se quieren modelar
podra acotarse considerablemente tomando en consideracin los recientes avances en
modelos matemticos que no necesitan del abuso de la inspiracin biolgica para justificar
las estructuras de los modelos neuronales.

6
V.3. Tercer Antecedente
Ttulo: Deteccin de distintos tipos de cncer mediante Redes Neuronales
Artificiales.
Institucin: Universidad de la Laguna.
Autores: Alberto Faria Barrera.
Ao: Julio 2016.

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 dispone para el
proyecto de una base de datos proporcionada por el Heuristic and Evolutionary Algorithms
Laboratory (HEAL). Dicha base de datos tiene tres tablas, una para cada uno de los tres
tipos de cncer citados anteriormente que contendrn datos de pacientes con cncer y
pacientes sanos para que la red pueda ser entrenada y validada. 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.

Aporte:
Un aporte fundamental es que gracias a las arquitecturas neuronales, Back-Propagation y
Counter-Propagation, el sistema es una herramienta de soporte para hacer un diagnstico
inicial de cncer de mama, melanoma y cncer de pulmn, y as ms adelante poder
derivar a pruebas ms contundentes.

V.4. Cuarto Antecedente

Ttulo: Redes Neuronales Artificiales aplicadas a la deteccin de Cncer de Mama.
Institucin: Instituto Politcnico Nacional.
Autores: Hugo Flores Gutirrez.
Ao: Agosto 2015.

Resumen:
En este trabajo de tesis se desarrolla, implementa y valida un mtodo para apoyar el
diagnostico medico en la deteccin oportuna de cncer de mama haciendo uso del
procesamiento digital de imgenes, as como las redes neuronales artificiales.
Mediante el uso de las mamografas y tcnicas de procesamiento de imgenes, se pueden
extraer ciertas caractersticas del tejido mamario, dichas caractersticas son representadas
de forma numrica como vectores de datos y pueden ser utilizadas como entradas en las
redes neuronales artificiales, para su posterior clasificacin.

7
 Aporte:
Un aporte a este mtodo es que al entrenar mediante ejemplo de casos a la red neuronal,
pudimos aprender y observar el comportamiento de la misma y por ende escoger la mejor
para apoyo mdico y as identificar si se trataba de un tumor maligno o benigno as como
el tipo de tejido mamario y realizar pre-diagnsticos a los pacientes que puedan ser
propensos a padecer cncer de mama reduciendo los falsos positivos y evitar
procedimiento desagradables como la biopsias o cirugas que no sean necesarias.

V.5. Quinto Antecedente

Ttulo: Deteccin de Cncer Crvico-Uterino mediante Red Neuronal Funcin de
Base Radial.
Institucin: Instituto Politcnico NACIONAL.
Autores: Ing. Margarita Elizabeth Gmez Mayorga .
Ao: Junio 2009.

Resumen:
El cncer cervical, por ser causante de mortalidad a nivel mundial y por estar en segundo
lugar de malignidades en Mxico en la poblacin femenina, ha sido tema de muchas
investigaciones para su deteccin de manera oportuna.
Una red neuronal artificial, aplicada al diagnstico de imgenes mdicas, funciona
correctamente si tiene un entrenamiento adecuado. Dicha funcin implica el diagnstico
de enfermedades, con la finalidad de reducir el desarrollo de stas y los decesos de
quienes las padecen.
Los avances tecnolgicos han permitido desarrollar diversas tcnicas que muestran o
identifican patrones en imgenes mdicas para diagnosticar de manera certera anomalas.
En este trabajo se presentan los resultados obtenidos al utilizar el procesamiento digital de
imgenes y la red neuronal funcin de base radial para la clasificacin, mediante imgenes
digitales, de clulas del epitelio escamoso cervical, generando as una herramienta que
sirva a cito patlogos a corroborar sus diagnsticos.

Aporte:
Un gran aporte es el conocimiento sobre la red neuronal con base radial, que, al ser
implementada correctamente, tiene una mayor capacidad de procesamiento de datos y un
acelerado aprendizaje, el cual nos ayud en el reconocimiento total de las clulas
normales, con displasia leve y cncer invasor y as hubo menos pesos que corregir para la
deteccin del cncer crvico uterino.

V.6. Sexto Antecedente

Ttulo: Reconocimiento de Patrones en Imgenes Mdicas Basado en Sistemas
Inteligentes.
Institucin: Universidad de Buenos Aires.
Autores: Enrique Calot.
Ao: Diciembre 2008.

Resumen:

8
 Hay dos aspectos interesantes sobre los cuales se puede trabajar: el primero es el pre-
procesamiento de la imagen, problema que gracias al estndar DICOM- se est volviendo
cada vez menos significativo debido a la gran cantidad de informacin que es adjuntada
por los equipos a las imgenes en forma de encabezado. El segundo aspecto es encontrar
la tcnica -o conjunto de tcnicas- de sistemas inteligentes que mejor se adecue a este tipo
de problemas (sistema experto, algoritmos genticos, redes neuronales, sistema
inteligente hbrido).
Esta tesis consiste en plantear un marco terico que permita determinar estrategias para
el pre-procesamiento de la imagen, estrategias para establecer qu tipo de sistema
inteligente es el ms apto para realizar el reconocimiento, proponer un de mtodo basado
en sistemas inteligentes que genere un posible diagnstico a partir de la imagen mdica
reprocesada y validarlos mediante un conjunto de datos reales y determinar la calidad de
los diagnsticos obtenidos mediante el mtodo propuesto por contraste de los resultados
obtenidos con descriptos en trabajos anteriores y datos reales.

Aporte:
El gran aporte aqu se basa en no utilizar regiones cuadradas elegidas arbitrariamente que
no aprovechaban el anlisis de la anomala en s utilizando la informacin de contorno que
esta base de datos provee. En resumen, se mostr que bajo estos parmetros procesar la
informacin de manera previa a la red resulta innecesario y se puede obviar.

V.7. Sptimo Antecedente

Ttulo: Anlisis, Evaluacin Y Caracterizacin De Imgenes Termogrficas Utilizando
Redes Neuronales Artificiales Y Tcnicas De Extraccin De Caractersticas De
Textura De Haralick.
Institucin: Universidad Tcnica De Ambato.
Autores: Diana Paola Guamn Tisalema.
Ao: Diciembre 2015.

Resumen:
El cncer de mama es una de las enfermedades ms frecuentes en las mujeres a nivel
mundial con una incidencia de desarrollo del 99 % y un 1% en hombres, para el sexo
femenino existen ciertas estrategias para reducir la tasa de mortalidad, la ms conocida es
la mamografa, esta tcnica no es universalmente accesible debido a su costo, el cual en
ecuador est en un rango de 30 a 40 dlares, esto impide a las personas de bajos recursos
acceder a este examen mdico. Por ello, este trabajo propone la incorporacin de la
termografa como herramienta alternativa para la deteccin precoz del cncer de mama,
este mtodo tiene una gran acogida en el mbito de la medicina debido a que permite
calcular la temperatura a distancia, con exactitud y sin contacto fsico directo, adems es
totalmente indolora y de bajo costo. La imagen infrarroja es obtenida mediante la cmara
termogrfica FLIR en condiciones que el paciente debe cumplir, entre las ms relevantes
est reposar de 10 a 15 minutos antes de someterse al examen para estabilizar la
temperatura en su cuerpo otra condicin importante es que la imagen debe ser obtenida
de la parte superior del paciente totalmente desnudo y en un espacio sin filtros de luz para

9
 evitar que afecte al resultado final. Posteriormente la imagen es filtrada para eliminar el
ruido y mejorar su nitidez para lo cual se recurri a los filtros Laplaciano y Gaussiano,
seguidamente se procede a la segmentacin de la imagen es decir la obtencin de la
regin de inters ROI mediante la tcnica segmentacin Watershed la cual est
fundamentada en la morfologa matemtica, obtenida la ROI se procede a la extraccin de
las caractersticas de textura mediante los descriptores de textura Haralick la cual consta
de catorce parmetros, entre ellos estn: correlacin, entropa, suma y diferencia de
entropa, entre otros. Para la clasificacin se procede a determinar si la imagen adquirida
del paciente es patolgica o no patolgica, proceso mediante el cual se realiza a travs de
Redes Neuronales Artificiales, las cuales se basan en el modelo biolgico del cerebro
humano y adems tienen la capacidad de aprender por medio de una enseanza de esta
forma deducir el pronstico mdico de cada imagen.

Aporte:
Un gran aporte es que al entrenar y evaluar la red neuronal, se puedo utilizar la misma
para la resolucin del problema planteado y as mismo el desarrollo de algoritmos, los
cuales permitieron que los mdicos tratantes realizaran el anlisis, la evaluacin y la
caracterizacin de las imgenes termogrficasy as extraer de ellas informacin que le
permita la deteccin temprana de las patologas de mama.

V.8. Octavo Antecedente

Ttulo: Procesamiento Y Anlisis De Mamografas Para La Deteccin De Tumores.
Institucin: Escuela Tcnica Superior De Ingeniera Informtica.
Autores: Diego Ignacio Osorio Fortea.
Ao: Diciembre 2015.

Resumen:
Este trabajo nace de una idea conjunta del desarrollo de un software capaz de trabajar con
una mquina de rayos X para la toma de mamografas, y ser una herramienta para los
radilogos a la hora de analizar las imgenes y localizar zonas que pudieran ser sensibles
de tener algn tipo de tumoracin. No se trata de un software que pretenda suplantar la
funcin de un radilogo; es importante tener claro que el experto en radiologa es el nico
capaz de analizar, comparar y tomar decisiones reales, y este software pretende simplificar
esa tarea al mximo. Este programa utiliza como recursos para su funcionamiento una
base de datos de mamografas procesadas anteriormente, a partir de las cuales entrena a
la red neuronal para que sea capaz de clasificar mamografas nuevas y mostrar las posibles
zonas crticas. Esta base de datos debe indicar a la red qu mamografas presentan algn
tumor y dnde, para que la red aprenda a diferenciar entre zonas crticas y zonas no
crticas. Esta idea deriva en la realizacin de dos trabajos que se especializan en los dos
mbitos del proyecto, en primer lugar el procesamiento y el anlisis de esas mamografas
obtenidas de la mquina de rayos X, que da lugar al presente trabajo; y en segundo lugar,
deriva en un trabajo paralelo que explica la obtencin, el anlisis y la clasificacin de los
datos que se desprenden de este proyecto utilizando redes neuronales, titulado

10
 Deteccin y clasificacin de tumores en mamografas a travs de redes neuronales;
realizado por Rodrigo Culotta Lpez.

Aporte:
El aporte de este proyecto es que al poder crear una matriz que sirvi de base al trabajo
paralelo para el anlisis y clasificacin de los datos por parte de la red neuronal, se pudo
indicar si en la mamografa, se hallaban zonas crticas o no criticas adems de clasificar por
tipo de de mancha y si era o no una mancha cancergena.

V.9. Noveno Antecedente

Ttulo: Red neuronal artificial para detectar lesiones precancerosas en el cuello
uterino.
Institucin: Universidad de Carabobo.
Autores: J. Guerrero ,J. Rivas , P. Linares,, J. Rodrguez.
Ao: 2008.

Resumen:
El cncer de cuello uterino es la principal causa de muerte por cncer en la poblacin
femenina de pases en vas de desarrollo. Las ltimas estadsticas muestran que, cada ao,
se producen alrededor de 466.000 nuevos casos a nivel mundial y cerca del 80%
corresponde a los pases en vas de desarrollo. La principal razn de esta alta incidencia, es
la falta de programas enfocados a diagnosticar lesiones precancerosas y tratarlas antes de
que evolucionen a un cncer invasor. Para atender esta realidad, la Organizacin Mundial
de la Salud (OMS) propone el uso de mtodos de diagnstico rpidos basados en el
estudio colposcpico del cuello uterino con cido actico y con lugol. En este trabajo se
propone el uso de una aplicacin de software basada en Redes Neuronales Artificiales
(RNA) para la deteccin temprana de lesiones precancerosas durante el examen
colposcpico. La aplicacin recibe como entrada dos imgenes colposcopicas del cuello
uterino (una con cido actico y otra con lugol), a partir de estas imgenes el sistema
permite identificar la presencia de lesiones de bajo y alto grado de forma rpida con un
porcentaje de acierto de hasta 88,89%.

Aporte:
Este proyecto nos dej un gran aporte, que fue el buen uso de la redes neuronales
artificiales cuyo perfecto funcionamiento, se debi a la alimentacin basado en
aprendizaje sobre sistemas de reconocimientos que sumndose a la ayuda las respectivas
historias clnicas de los pacientes que sirvieron de ejemplos, se pudo arrojar un buen
diagnstico para el preliminar reconocimiento de lesiones precancerosas en el cuello
uterino.

V.10. Decimo Antecedente

Ttulo: Anlisis digital de imgenes tomografas sin contraste para la bsqueda de
tumores cerebrales.
Institucin: Centro de Investigacion y de Estudios Avanzados del Instituto
Politecnico Nacional.

11
 Autores: Ing. Edgardo Adrin Franco Martnez.
Ao: Diciembre 2011.

Resumen:
El anlisis de las estructuras internas del cuerpo humano ha sido posible gracias al empleo
de tecnologas revolucionarias de no ms de treinta aos como los son: la tomografa
computarizada y la resonancia magntica; estas tecnologas permiten el estudio, anlisis y
visualizacin en tres dimensiones del cuerpo humano. Las tecnologas de imagenologa
mdica y el anlisis de imgenes por computadora se han convertido en una de las
mayores necesidades para el campo del diagnstico por imagen. El anlisis de las imgenes
mdicas facilita a los especialistas la visualizacin, caracterizacin, medicin y diagnstico
de enfermedades y anomalas en el cuerpo humano. Muchos de los anlisis imageno
logicos se realizan hoy en da de manera manual y a criterio de los especialistas. El
presente trabajo plasma una propuesta que, apoyada de algoritmos computacionales,
permite facilitar la bsqueda de tumores cerebrales en un estudio imageneologico de
tomografa cerebral computarizada. Para su desarrollo ha sido necesaria la familiarizacin
con el estndar de almacenamiento y distribucin de imgenes mdicas conocido como
DICOM, as como del estudio y uso de tcnicas de segmentacin de imgenes digitales,
finalmente el entendimiento y uso de una tcnica de agrupamiento de datos que se apoya
en el uso de redes neuronales artificiales. El empleo del estndar DICOM permite la
extraccin de una gran cantidad de informacin que da soporte a la imagen visual de las
estructuras del cerebro, as como la interpretacin de informacin que va ms all de una
simple imagen en escala de grises, aunado a esto el anlisis de secuencias axiales
completas de un paciente, considerando mtodos de segmentacin creciente en tres
dimensiones y mtodos de umbralizacion, ayudan a poder acotar y resaltar estructuras
cerebrales de inters para el especialista. Con una regin acotada de bsqueda es posible
utilizar mtodos de agrupamiento automticos capaces de identificar los diferentes tipos
de tejidos en el cerebro y representarlos de manera ms atractiva para el especialista que
en su representacin original. Finalmente, el trabajo de investigacin y la implementacin
realizada se reflejan en la iii iv Resumen construccin de un software de asistencia en el
diagnostico capaz de operar de manera directa con imgenes de tomografas cerebrales
almacenadas en formato DICOM, a partir de las cuales se aplican algoritmos
computacionales que permiten a los especialistas poder diagnosticar de manera simple y
eficiente un tumor cerebral.

Aporte:
La propuesta implementada de redes neuronales ofrece aportes tiles para un especialista,
ya que manejan informacin de error o de control; esta informacin se emplea para guiar
al sistema y as organizar y operar de manera tal que se dio la necesidad de contar con
patrones conocidos o clasificaciones previas de datos para poder entrenarlas de manera
supervisada, esto dejo atrs a trabajos realizados que se apoyan de la simple imagen
visual.

12
VI. MARCO REFERENCIAL

VI.1. MARCO TEORICO

VI.1.1. INTELIGENCIA ARTIFICIAL

VI.1.1.1. Definiciones

Todas las definiciones de Inteligencia Artificial estn relacionadas con la siguiente idea:

13
 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.[ CITATION Uni11 \l 10250
][9]
Existen, sin embargo, otras definiciones que no se basan en el comportamiento humano.
Son las cuatro siguientes [ CITATION Vic111 \l 10250 ] [13]:
1. Actuar como las personas. Esta es la definicin de McCarthy, donde el modelo a
seguir para la evaluacin de los programas corresponde al comportamiento
humano. El llamado Test de Turing (1950) tambin utiliza este punto de vista. El
sistema Eliza, un bot (programa software) conversacional es un ejemplo de ello.

2. Razonar como las personas. Lo importante es cmo se realiza el razonamiento y no

el resultado de este razonamiento. La propuesta aqu es desarrollar sistemas que
razonen del mismo modo que las personas. La ciencia cognitiva utiliza este punto
de vista.

3. Razonar racionalmente. En este caso, la definicin tambin se focaliza en el

razonamiento, pero aqu se parte de la premisa de que existe una forma racional
de razonar. La lgica permite la formalizacin del razonamiento y se utiliza para
este objetivo.

4. Actuar racionalmente. De nuevo el objetivo son los resultados, pero ahora

evaluados de forma objetiva. Por ejemplo, el objetivo de un programa en un juego
como el ajedrez ser ganar. Para cumplir este objetivo es indiferente la forma de
calcular el resultado.

VI.1.1.2. Paradigmas de la IA

A. CLASICA O SIMBOLICA: Programable y basado en el supuesto del conocimiento

explicable por procedimientos de manipulacin de smbolos [ CITATION Uni11 \l
10250 ][9].

B. INTELIGENCIA ARTIFICIAL CONEXIONISTA: Auto programable por aprendizaje y

donde el conocimiento viene representado la propia estructura de la red neuronal
[ CITATION Uni11 \l 10250 ][9].

VI.1.1.3. Dominios de la IA

Existen 3 tipos de dominios; formales, tcnicos y cognitivos [ CITATION Uni11 \l 10250 ][9].

A. Dominios formales

14
 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.

B. Dominios tcnicos
Donde utilizaremos conocimiento cientfico-tcnico, posiblemente educido de un experto
e intentaremos solucionar problemas del tipo de diagnsticos mdicos, robtica;
tpicamente hablamos de Sistemas Expertos.

C. 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.

Figura 1: La inteligencia Artificial

VI.1.2. REDES NEURONALES ARTIFICIALES

VI.1.2.1. 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

15
McCullochPitts y ha servido de inspiracin para el desarrollo de otros modelos
neuronales.
Tabla 1: Primera poca de la historia de RNA

Tabla 2: poca intermedia de la historia de RNA

16
 Tabla 3: Segunda poca de la historia de RNA

VI.1.2.2. Definiciones
Existen numerosas formas de definir a las redes neuronales; desde las definiciones cortas y
genricas hasta las que intentan explicar ms detalladamente qu son las redes
neuronales. Por ejemplo [ CITATION Gal \l 10250 ][3]:

1) Una nueva forma de computacin, inspirada en modelos biolgicos.

2) Un modelo matemtico compuesto por un gran nmero de elementos procesales
organizados en niveles.
3) Un sistema de computacin compuesto por un gran nmero de elementos simples,
elementos de procesos muy interconectados, los cuales procesan informacin por medio
de su estado dinmico como respuesta a entradas externas.
4) Redes neuronales artificiales son redes interconectadas masivamente en paralelo de
elementos simples (usualmente adaptativos) y con organizacin jerrquica, las cuales
intentan interactuar con los objetos del mundo real del mismo modo que lo hace el
sistema nervioso biolgico.

Segn [ CITATION ZUR92 \l 10250 ][16] Sistemas de redes neuronales artificiales, o redes
neuronales son sistemas celulares fsicos que puedan adquirir, almacenar y usar
conocimiento emprico.

VI.1.2.3. Arquitectura
Desde un punto de vista matemtico, se puede ver una red neuronal como un grafo
dirigido y ponderado donde cada uno de los nodos son neuronas artificiales y los arcos que
unen los nodos son las conexiones sinpticas [ CITATION Pal03 \l 10250 ][10]. Al ser
dirigido, los arcos son unidireccionales. Qu quiere decir esto? En el lenguaje de neuronas
y conexiones significa que la informacin se propaga en un nico sentido, desde una
neurona pre sinptica (neurona origen) a una neurona postsinptica (neurona destino)

17
 Por otra parte, es ponderado, lo que significa que las conexiones tienen asociado un
nmero real, un peso, que indica la importancia de esa conexin con respecto al resto de
las conexiones. Si dicho peso es positivo la conexin se dice que es excitadora, mientras
que si es negativa se dice que es inhibidora.
Lo usual es que las neuronas se agrupen en capas de manera que una RNA est formada
por varias capas de neuronas. Aunque todas las capas son conjuntos de neuronas, segn la
funcin que desempean, suelen recibir un nombre especifico.

Figura 2: Arquitectura de un RNA.

VI.1.2.4. Caractersticas
A. APRENDIZAJE INDUCTIVO: No se le indican las reglas para dar una solucin, sino
que extrae sus propias reglas a partir de los ejemplos de aprendizaje, modifican su
comportamiento en funcin de la experiencia. Esas reglas quedan almacenadas en
las conexiones y no representadas explcitamente como en los sistemas basados
en conocimiento (simblico-deductivos) [ CITATION Mar97 \l 10250 ][8].

B. GENERALIZACIN: Una vez entrenada, se le pueden presentar a la red, datos

distintos a los usados durante el aprendizaje. La respuesta obtenida depender del
parecido de los datos con los ejemplos de entrenamiento [ CITATION Mar97 \l
10250 ][8].

C. ABSTRACCIN O TOLERANCIA AL RUIDO: Las redes neuronales artificiales son

capaces de extraer o abstraer las caractersticas esenciales de las entradas
aprendidas, de esta manera pueden procesar correctamente datos incompletos o
distorsionados [ CITATION Mar97 \l 10250 ] [8].

D. PROCESAMIENTO PARALELO: las neuronas reales trabajan en paralelo; en el caso

de las redes artificiales es obvio que si usamos un solo procesador no podr haber
proceso paralelo real; sin embargo, hay un paralelismo inherente, lo esencial es
que la estructura y modo de operacin de las redes neuronales las hace
especialmente adecuadas para el procesamiento paralelo real mediante

18
 multiprocesadores (se estn desarrollando mquinas especficas para la
computacin neuronal) [ CITATION Mar97 \l 10250 ][8].
E. MEMORIA DISTRIBUIDA: el conocimiento acumulado por la red se halla
distribuido en numerosas conexiones, esto tiene como consecuencia la tolerancia
a fallos: una red neuronal es capaz de seguir funcionando adecuadamente a pesar
de sufrir lesiones con destruccin de neuronas o sus conexiones, ya que la
informacin se halla distribuida por toda la red, sin embargo en un programa
tradicional un pequeo fallo en cualquier punto puede invalidarlo todo y dar un
resultado absurdo o no dar ningn resultado [ CITATION Mar97 \l 10250 ] [8].

VI.1.2.5. Ventajas
Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que estn basadas
en la estructura del sistema nervioso, principalmente el cerebro [ CITATION Mar97 \l 10250
][8].
A. APRENDIZAJE: Las RNA tienen la habilidad de aprender mediante una etapa que
se llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como
entrada a su vez que se le indica cul es la salida (respuesta) esperada.

B. AUTO ORGANIZACIN: Una RNA crea su propia representacin de la informacin

en su interior, descargando al usuario de esto.

C. TOLERANCIA A FALLOS: Debido a que una RNA almacena la informacin de forma

redundante, sta puede seguir respondiendo de manera aceptable aun si se daa
parcialmente.

D. FLEXIBILIDAD: Una RNA puede manejar cambios no importantes en la informacin

de entrada, como seales con ruido u otros cambios en la entrada (ej. si la
informacin de entrada es la imagen de un objeto, la respuesta correspondiente
no sufre cambios si la imagen cambia un poco su brillo o el objeto cambia
ligeramente).

E. TIEMPO REAL: La estructura de una RNA es paralela, por lo cual si esto es

implementado con computadoras o en dispositivos electrnicos especiales, se
pueden obtener respuestas en tiempo real.

VI.1.2.6. Algoritmos de Aprendizaje

VI.1.2.6.1. Aprendizaje supervisado
El algoritmo produce una funcin que establece una correspondencia entre las entradas y
las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de
clasificacin, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de
vectores utilizando una entre varias categoras (clases). La base de conocimiento del
sistema est formada por ejemplos de etiquetados anteriores. Este tipo de aprendizaje
puede llegar a ser muy til en problemas de investigacin biolgica, biologa
computacional y bioinformtica.

19
 Back-Propagation
El mtodo de back-propagation (o entrenamiento hacia atrs) es un sistema automtico de
entrenamiento de redes neuronales con capas ocultas, perfeccionado en la dcada de los
80.
En este tipo de redes, el problema a la hora de entrenarlas estriba en que slo conocemos
la salida de la red y la entrada, de forma que no se pueden ajustar los pesos sinpticos
asociados a las neuronas de las capas ocultas, ya que no podemos inferir a partir del
estado de la capa de salida como tiene que ser el estado de las capas ocultas.

El sistema de entrenamiento mediante back-propagation consiste en:

Empezar con unos pesos sinpticos cualquiera (generalmente elegidos al azar).
Introducir unos datos de entrada (en la capa de entradas) elegidos al azar entre los
datos de entrada que se van a usar para el entrenamiento.
Dejar que la red genere un vector de datos de salida (propagacin hacia delante).
Comparar la salida generada por la red con la salida deseada.
La diferencia obtenida entre la salida generada y la deseada (denominada error) se
usa para ajustar los pesos sinpticos de las neuronas de la capa de salidas.
El error se propaga hacia atrs (back-propagation), hacia la capa de neuronas
anterior, y se usa para ajustar los pesos sinpticos en esta capa.
Se continua propagando el error hacia atrs y ajustando los pesos hasta que se
alcance la capa de entradas.
Este proceso se repetir con los diferentes datos de entrenamiento.

El mtodo por el cual el error es propagado hacia atrs fue descubierto por D.E.
Rumelhart, G.E. Hinton y R.J. Williams en 1986, y casi al mismo al tiempo por Parker (1985)
y Le Cun (1985).

VI.1.2.6.2. 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

VI.1.2.6.3. Aprendizaje semi-supervisado

Este tipo de algoritmos combinan los dos algoritmos anteriores para poder clasificar de
manera adecuada. Se tiene en cuenta los datos marcados y los no marcados.

20
 VI.1.2.6.4. Aprendizaje por refuerzo
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.

VI.1.2.6.5. Transduccin
Similar al aprendizaje supervisado, pero no construye de forma explcita una funcin. Trata
de predecir las categoras de los futuros ejemplos basndose en los ejemplos de entrada,
sus respectivas categoras y los ejemplos nuevos al sistema.

VI.1.2.6.6. Aprendizaje muti-tarea

Mtodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de
cara a enfrentarse a problemas parecidos a los ya vistos.
El anlisis computacional y de rendimiento de los algoritmos de aprendizaje automtico es
una rama de la estadstica conocida como teora computacional del aprendizaje.
El aprendizaje automtico las personas lo llevamos a cabo de manera automtica ya que es
un proceso tan sencillo para nosotros que ni nos damos cuenta de cmo se realiza y todo
lo que implica. Desde que nacemos hasta que morimos los seres humanos llevamos a cabo
diferentes procesos, entre ellos encontramos el de aprendizaje por medio del cual
adquirimos conocimientos, desarrollamos habilidades para analizar y evaluar a travs de
mtodos y tcnicas, as como tambin por medio de la experiencia propia. Sin embargo, a
las mquinas hay que indicarles cmo aprender, ya que, si no se logra que una mquina
sea capaz de desarrollar sus habilidades, el proceso de aprendizaje no se estar llevando a
cabo, sino que solo ser una secuencia repetitiva. Tambin debemos tener en cuenta que
el tener conocimiento o el hecho de realizar bien el proceso de aprendizaje automtico no
implica que se sepa utilizar, es preciso saber aplicarlo en las actividades cotidianas, y un
buen aprendizaje tambin implica saber cmo y cundo utilizar nuestros conocimientos.
Para llevar a cabo un buen aprendizaje es necesario considerar todos los factores que a
este le rodean, como la sociedad, la economa, la ciudad, el ambiente, el lugar, etc. Por lo
tanto, es necesario empezar a tomar diversas medidas para lograr un aprendizaje
adecuado, y obtener una automatizacin adecuada del aprendizaje. As, lo primero que se
debe tener en cuenta es el concepto de conocimiento, que es el entendimiento de un
determinado tema o materia en el cual t puedas dar tu opinin o punto de vista, as como
responder a ciertas interrogantes que puedan surgir de dicho tema o materia.

VI.1.3. SISTEMAS EXPERTOS

VI.1.3.1. Definicin
Los Sistemas Expertos, rama de la Inteligencia Artificial, son sistemas informticos que
simulan el proceso de aprendizaje, de memorizacin, de razonamiento, de comunicacin y
de accin en consecuencia de un experto humano en cualquier rama de la ciencia. [5]

21
 Estas caractersticas le permiten almacenar datos y conocimiento, sacar conclusiones
lgicas, tomar decisiones, aprender de la experiencia y los datos existentes, comunicarse
con expertos humanos, explicar el porqu de las decisiones tomadas y realizar acciones
como consecuencia de todo lo anterior.
Tcnicamente un sistema experto, contiene una base de conocimientos que incluye la
experiencia acumulada de expertos humanos y un conjunto de reglas para aplicar esta
base de conocimientos en una situacin particular que se le indica al programa. Cada vez
el sistema se mejora con adiciones a la base de conocimientos o al conjunto de reglas.

VI.1.3.2. Arquitectura de un Sistema Experto

VI.1.3.2.1. 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.

VI.1.3.2.2. 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.

VI.1.3.2.3. 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:
a. 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).
b. 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).
c. 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.

22
 VI.1.3.2.4. 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.

Figura 3: Arquitectura de un SE.

VI.1.4. SISTEMA BASADO EN CONOCIMIENTOS

VI.1.4.1. Definicin
Un sistema experto o sistema basado en conocimiento se puede definir como un sistema
que resuelve problemas utilizando una representacin simblica del conocimiento
humano.

VI.1.4.2. Caractersticas
Representacin explcita del conocimiento.
Capacidad de razonamiento independiente de la aplicacin especfica.
Capacidad de explicar sus conclusiones y el proceso de razonamiento.
Alto rendimiento en un dominio especfico.
Uso de heursticas vs. Modelos matemticos.
Uso de inferencia simblica vs. Algoritmo numrico.

VI.1.5. LOGICA
VI.1.5.1. Definicin
Es la ciencia que se basa en las leyes, modalidades y formas del conocimiento cientfico se
conoce bajo el nombre de lgica. Se trata de una ciencia de carcter formal que carece de
contenido ya que hace foco en el estudio de las alternativas vlidas de inferencia. Es decir,

23
 propone estudiar los mtodos y los principios adecuados para identificar al razonamiento
correcto frente al que no lo es.

VI.1.5.2. Lgica Proposicional o Lgica de Enunciados

VI.1.5.2.1. Definicin
Es una rama de la lgica clsica que estudia las variables proposicionales o
sentencias lgicas, sus posibles implicaciones, evaluaciones de verdad y en
algunos casos su nivel absoluto de verdad. Algunos autores tambin la
identifican con la lgica matemtica o la lgica simbolice, ya que utiliza una
serie de smbolos especiales que lo acercan al lenguaje matemtico.

VI.1.5.2.2. Caracteristicas
Considera nicamente frases declarativas, las llamadas proposiciones o
enunciados. A los que es posible asignar un valor de verdad o falsedad y
ningn otro, es decir bivaluada (Principio del tercero excluido).De este modo,
su valor de verdad vendr determinado por: el valor de verdad o falsedad de
los enunciados simples que la componen, y las partculas no, o, y, si entonces,
si y slo si a modo de elementos de enlace.
Es libre de contexto. Esto es, la verdad o falsedad de los enunciados se
establece sin recurrir a consideraciones de contexto alguno. Y sin considerar la
estructura interna de los enunciados simples.

VI.1.5.3. Lgica de Predicados

VI.1.5.3.1. Definicin
Estudia las frases declarativas con mayor grado de detalle, considerando la
estructura interna de las proposiciones. Se tomar como elemento bsico los
objetos y las relaciones entre dichos objetos. Es decir, se distingue:
Que se afirma (predicado o relacin).
De quien se afirma (objeto).

VI.1.6. Metodologa Para El Reconocimiento De Patrones

6.2.6.0. Introduccin
Qu es un patrn? Un patrn es una entidad a la que se le puede dar un nombre y que est
representada por un conjunto de propiedades medidas y las relaciones entre ellas
(vector de caractersticas). Por ejemplo, un patrn puede ser una seal sonora y su vector
de caractersticas el conjunto de coeficientes espectrales extrados de ella (espectrograma).
Otro ejemplo podra ser una imagen de una cara humana de las cuales se extrae el
vector de caractersticas formado por un conjunto de valores numricos calculados a
partir de la misma. El reconocimiento automtico, descripcin, clasificacin y
agrupamiento de patrones son actividades importantes en una gran variedad de disciplinas
cientficas, como biologa, sicologa, medicina, visin por computador, inteligencia artificial,
teledeteccin, etc. Un sistema de reconocimiento de patrones tiene uno de los siguientes
objetivos: a.- Identificar el patrn como miembro de una clase ya definida (clasificacin
supervisada). b.- Asignar el patrn a una clase todava no definida (clasificacin no
supervisada, agrupamiento o clustering).

24
VI.1.6.1. Definicin
De Manera general, podemos decidir que existen tres metodologas bsicas para el
reconocimiento de patrones [2]: las heursticas, las matemticas y las lingsticas.
1. Heursticas
Esta metodologa es la que hace uso de la experiencia y la intuicin humana. Por lo
general, los sistemas que son desarrollados bajos estos mtodos, estn hechos a la
medida del problema que se desea resolver.
2. Matemticas
Este tipo de metodologas hacen uso de las propiedades comunes de los patrones
y se basan en las reglas de clasificacin formuladas en un marco matemtico.
Adems, este enfoque se divide a su vez en otras dos categoras: las
determinsticas y las estadsticas.
2.1. Las Determinsticos: Por ejemplo, los algoritmos de aprendizaje iterativo tales
como los algoritmos utilizados para el entrenamiento de redes neuronales.
2.2. Los Estadsticos: Podemos encontrar a los clasificadores basados en la regla de
clasificacin de Bayes.
3. Lingsticas (sintcticas)
Por ltimo, encontramos las metodologas lingsticas en las cuales se hace uso de
los elementos primitivos que componen a los patrones (sub-patrones) y la relacin
que existe entre ellos.

VI.1.6.2. Etapas para el reconocimiento de patrones

VI.1.6.2.1. Definicin
De manera general, cuando se intenta resolver algn problema que implique
el reconocimiento de patrones se deben de tomar en cuenta las siguientes
etapas:
Adquisicin de datos.
Preprocesamiento.
Extraccin de caractersticas.
Reconocimiento.

VI.1.6.2.2. Adquisicin de datos

Para poder realizar el reconocimiento es necesario, realizar o implementar
alguna etapa de adquisicin de los datos que describen el patrn que se desea
clasificar. Esto implica que, el mtodo que se utilizar para realizar la
adquisicin de los datos, depender de la naturaleza del patrn. Por ejemplo,
si se desea desarrollar un sistema para reconocer caracteres, esta etapa se
podra realizar con la ayuda de una cmara digital o utilizando un escner.

VI.1.6.2.3. Preprocesamiento
Una vez que ya se cuenta con los datos que describen a cada uno de los
patrones, es ms conveniente realizar una etapa de preprocesamiento sobre
cada uno de ellos en lugar de ser dados como entrada del sistema tal y como
fueron obtenidos durante la etapa de adquisicin de datos.

25
 El realizar un preprocesamiento sobre los datos tiene varias ventajas; la
principal de ellas es que puede reducir la dimensionalidad de los datos, lo cual
mejora substancialmente la ejecucin del sistema, sobre todo cuando se utiliza
una metodologa como las redes neuronales.
Dentro de esta etapa se puede reprocesar el patrn de entrada tal forma que
todos los patrones tengan el mismo tamao (escala) consiguiendo con esto
que el sistema sea invariante al escalamiento. Adems de esto, tambin se
busca lograr que el sistema sea invariante a la traslacin. Cuando un sistema es
invariante a la traslacin y al escalamiento de los patrones, se dice que el
sistema cuenta con un conocimiento previo.

VI.1.6.2.4. Extraccin de caractersticas

Uno de los principales problemas en el reconocimiento de patrones, es
encontrar una manera ptima de representar la informacin original que
describe a cada uno de los patrones. Este problema es conocido como
extraccin de caractersticas. Este proceso de extraccin de caractersticas
trata de reducir la cantidad de informacin (reduccin de dimensionalidad)
que representa a cada uno de los patrones, obteniendo de esta forma, un
vector de caractersticas que represente de la mejor manera posible al patrn
original.
La extraccin de caractersticas debe de cumplir con las siguientes condiciones:
La dimensionalidad del vector de caractersticas debe de ser menor
que la del patrn original.
Las caractersticas deben representar una codificacin ptima de la
entrada, perdiendo la informacin que no sea muy importante [3].

Especialmente, cuando se realiza el reconocimiento de patrones utilizando

redes neuronales, la extraccin de caractersticas debe tratar de obtener un
vector de caractersticas con una dimensionalidad mucho menor a la del
patrn original, puesto que, un vector con una dimensionalidad ms pequea
que sea dado como entrada a la red neuronal tiene varios beneficios, En
primer lugar, la cantidad de pesos que deben de ser aprendidos en menos, y
en segundo lugar, el tiempo de entrenamiento puede ser reducido
considerablemente.

VI.1.6.2.5. Reconocimiento
Finalmente, una vez se han realizado las etapas de preprocesamiento y
extraccin de caractersticas, se procede a realizar el objetivo principal del
sistema: el reconocimiento. De manera general, la etapa de reconocimiento
consiste en obtener una salida del sistema como respuesta a un conjunto de
estmulos dados como entrada (patrones).

26
 Figura 4: Esquema general de anlisis de imgenes.

VI.1.6.3. Reconocimiento Estadstico de Patrones (REP)

El REP es una disciplina relativamente madura hasta el punto de que existen ya en el mercado un cierto
nmero de sistemas comerciales de reconocimiento de patrones que emplean esta tcnica. En REP, un
patrn se representa por un vector numrico de dimensin n. De esta forma, un patrn es un punto en un
espacio n-dimensional (de caractersticas). Un REP funciona en dos fases diferentes: entrenamiento y
reconocimiento.

a. Fase Entrenamiento.
En este modo de entrenamiento, se disea el extracto de caractersticas para representar los patrones de
entrada y se entrena al clasificador con un conjunto de datos de entrenamiento de forma que el nmero de
patrones mal identificados se minimice.
b. Fase Reconocimiento
En el nodo de reconocimiento o clasificacin, el clasificador ya entrenado toma como entrada el vector de
caractersticas de un patrn desconocido y lo asigna a una de las clases o categoras.

27
 Figura 2: Fases de un REP.

VI.1.6.4. Problemas de reconocimiento de patrones.

a. Seleccin de variables:
Consiste en determinar el conjunto de caractersticas ms adecuado para describir a los objetos.
b. Clasificacin Supervisada:
Tambin es conocida como clasificacin con aprendizaje, en este tipo de problemas ya se encuentran
definidas las clases, y estas cuentan con algunos objetos previamente clasificados.
c. Clasificacin No supervisada:
Tambin conocida como clasificacin sin aprendizaje, en estos problemas no existen ninguna clasificacin
previa del objetivo y en algunas ocasiones ni siquiera se han definido las clases.

VI.1.6.5. Campos de Aplicacin del Reconocimiento de Patrones

a. Reconocimiento de caracteres: A partir de un texto impreso o manuscrito, se genera un
fichero que contiene los caracteres presentes en el texto. Resulta til en sistemas de
lectura de textos(aadiendo un conversor texto-voz), lectura de etiquetas, clasificacin
automtica de cartas en funcin del cdigo postal, lectura de matriculas de vehculos.
b. Aplicaciones industriales: Controles de calidad, deteccin y clasificacin de piezas
defectuosas en lneas de produccin, control de etiquetado de productos, etc.
c. Cartografa: Realizacin automtica de mapas a partir de fotografas de satlites, medida
de distancia por carretera, etc.
d. Aplicaciones mdicas: Deteccin de tumores a partir de imgenes mdicas(radiografas,
ecografas), recuento de clulas sanguneas
e. Aplicaciones mdicas: Deteccin de tumores a partir de imgenes mdicas(radiografas,
ecografas), recuento de clulas sanguneas , espermatozoides, etc., medidas de tamao y
forma de rganos, anlisis de cromosomas, etc.

28
f. Guiado de vehculos: Deteccin de obstculos, destinos, etc., para modificar la trayectoria
del vehculo guiado de forma adecuada.
g. Reconocimiento automtico del habla: Consiste en la transcripcin de un mensaje
hablado a su grafa. Entre las posibles aplicaciones cabe citar el dictado de textos al
ordenador, la eleccin de voz entre diferentes posibilidades en un servidor de audio-texto
por telfono, etc.
h. Reconocimiento biomtrico de personas: Consiste en asignar la identidad de un individuo,
o verificar si es quien dice ser, a partir de la medida de algunas caractersticas propias de la
persona, como su voz, cara, manos, huellas, iris, firma, etc.

VI.1.6.6. Aplicaciones

Identificacin de rostros (Redes Neuronales) (ALVOT).

Prediccin de magnitudes mximas de terremotos (ALVOT)

Bsqueda de petrleo (CR+)

Pronstico postoperatorio en nios con paladar hendido (ALVOT)

Determinacin de factores que inciden en la lactancia materna (Teora de Testores)

Clasificacin de atmsfera estelar (K vecinos ms cercanos)

29
VI.2. MARCO CONCEPTUAL
VI.2.1. MELANOMA
VI.2.1.1. Definicin
El trmino melanoma se utiliza para designar a algunas formaciones celulares que
aparecen en la piel de un individuo y que indican la presencia de algn tipo de cncer
al ser malignas. Melanoma como palabra proviene del griego, idioma en el cual mela
significa negro y oma tumor. Por lo general, los melanomas cutneos o que aparecen
en la piel toman la forma de manchas oscuras que justamente se distinguen por el
color del resto de la piel y llaman la atencin. [ CITATION MAS14 \l 10250 ][5]

VI.2.1.2. Causas
Hay dos causas principales del melanoma que se han determinado hasta la fecha;
exposicin a la radiacin (UV) ultravioleta de la luz del sol y de susceptibilidades
genticas.
La Exposicin a la radiacin ULTRAVIOLETA fue sugerida como factor causativo para el
melanoma por Henry Lancaster, que era un matemtico australiano que observ la
alta incidencia del melanoma en los individuos australianos que fueron expuestos a la
luz del sol importante.
Esta nocin ha sido utilizada desde entonces por diversos estudios cientficos,
incluyendo los que asociaron el uso de curtir las bases que utilizaron la radiacin
ULTRAVIOLETA con el riesgo creciente de melanoma. Segn la Dependencia
Internacional para la Investigacin sobre Cncer, las bases de curtimiento son
carcingenas a los seres humanos y a los individuos que comienzan a usarlos antes de
la edad de la superficie 30 un riesgo relativo el 75% ms arriba que otros individuos
para desarrollar el melanoma. Adems, la gente con un ambiente del lugar de trabajo
que tenga una alta exposicin a la radiacin ULTRAVIOLETA, tal como granjeros y sos
que trabajan en los aeroplanos, tambin hace frente a un riesgo ms alto que otros
individuos. Las clulas epiteliales pueden absorber la luz de UVA y de UVB, que causa
daos y perjuicios a los dmeros llamados DNA de la pirimidina del cyclobutane
(CPDs).
Las caractersticas de la piel de los individuos, incluyendo el color, pigmentacin y
edad en la exposicin pueden tambin afectar al riesgo de melanoma. La incidencia
ms alta se considera en las poblaciones con la piel justa que viven en reas con la alta
exposicin a la radiacin ULTRAVIOLETA de la luz del sol, tal como colonos Europeos
en Australia.
Hay tambin algunas mutaciones de gen especficas que se asocian a una
susceptibilidad creciente para el melanoma. Una clase de mutaciones genticas
implica cambios al gen de CDKN2A, que altera la estabilidad del factor transcripto p53
y causa el apoptosis relacionado con el cncer. Los Individuos con una mutacin en el
gen de MC1R tienen un riesgo relativo dos a cuatro veces ms arriba que la poblacin
en general de desarrollar el melanoma. Este gen es muy comn y est presente en
todas las piezas de la poblacin con el pelo rojo.
Los antecedentes familiares fuertes del melanoma aumentan el riesgo de un individuo
para sufrir de la condicin, debido a la posibilidad de una herencia transformada del

30
 gen que pueda aumentar la susceptibilidad a la radiacin ULTRAVIOLETA [ CITATION
HEN11 \l 10250 ][7].

VI.2.1.3. Sntomas
La seal ms importante para el melanoma es algn lunar nuevo en la piel o uno
existente que haya cambiado en tamao, forma o color. Otra seal importante es
algn lunar que luzca distinto a los otros en su piel (conocido como el signo del patito
feo). Si presenta cualquiera de estas seales, acuda a su mdico para una revisin de
la piel.
La regla ABCDE es otro mtodo para identificar las seales habituales del melanoma.
Permanezca alerta y notifique a su mdico si observa lunares que tengan cualquiera
de las siguientes caractersticas [ CITATION HEN11 \l 10250 ] [7]:
A de Asimetra: la mitad del lunar o marca de nacimiento no corresponde a la
otra mitad.
B de Borde: los bordes son irregulares, desiguales, dentados o poco definidos.
C de Color: El color no es uniforme y pudiera incluir sombras color marrn o
negras, o algunas veces con manchas rosadas, rojas, azules o blancas.
D de Dimetro: el lunar mide ms de 6 milmetros de ancho (alrededor de
de pulgada o aproximadamente del tamao del borrador de un lpiz), aunque
los melanomas algunas veces pueden ser ms pequeos que esto.
E de Evolucin: el tamao, la forma o el color del lunar estn cambiando.

Algunos melanomas no siguen las reglas descritas anteriormente. Resulta importante

que informe a su mdico sobre cualquier cambio en su piel o nuevo lunar, o
crecimientos que observe como algo distinto al resto de sus lunares.
Otras seales de advertencia son:
- Una llaga que no cicatriza.
- Propagacin del pigmento del borde de una mancha hasta la piel circundante.
- Enrojecimiento o una nueva inflamacin ms all del borde.
- Cambio en la sensacin (comezn, sensibilidad o dolor).
- Cambio en la superficie de un lunar (descamacin, exudacin, sangrado, o la
apariencia de una protuberancia o ndulo).
Asegrese de mostrar a su mdico cualquier rea que le preocupe y solicite
que observe las reas que usted tenga dificultad para ver. Algunas veces
resulta difcil distinguir la diferencia entre un melanoma y un lunar ordinario,
incluso para los mdicos. Por lo tanto, resulta importante mostrar a su mdico
cualquier lunar que le resulte dudoso.

31
 Figura 5: ABCDE de la deteccin del MELANOMA.

VI.2.1.4. Tipos
El melanoma puede dividirse en cuatro tipos distintos, basndose en rasgos clnicos y
anatomopatolgicos por el patrn de crecimiento.
Hay dos fases en el desarrollo del tumor, una horizontal que afecta a la capa externa
(epidermis) sin invadir las capas ms profundas. Esta fase se observa en: melanoma de
extensin superficial, Lentigo maligno melanoma, y melanoma lentiginoso acro. La
segunda fase, denominada fase de crecimiento vertical, afecta los tejidos profundos,
por ejemplo, el melanoma nodular.
Los cuatro principales son [ CITATION MAS14 \l 10250 ][5]:

A. MELANOMA DE EXTENSIN SUPERFICIAL:

Constituye el tipo ms frecuente en personas de raza blanca. Se produce en
cualquier punto de la piel, pero suele verse en espalda y miembros inferiores en
mujeres, y en tronco en hombres. La edad de aparicin es de los 30 a los 50
aos. Generalmente es plano e irregular en forma y color, con sombras
variables de negro y marrn.

B. LENTIGO MALIGNO MELANOMA:

Generalmente aparece en las personas de edad avanzada. Ocurre ms
comnmente en la piel daada por el sol en la cara, el cuello y los brazos. Las
reas de piel anormal generalmente son grandes, planas y de color marrn con
reas de color caf.

C. MELANOMA LENTIGINOSO ACRO (MLA):

Es la forma menos comn de melanoma. Generalmente ocurre en las palmas de
las manos, las plantas de los pies o por debajo de las uas y es ms comn en
las personas de raza negra.

D. MELANOMA NODULAR:

32
 Es el segundo tipo ms frecuente, y es ms agresivo. Aparece habitualmente en
el tronco, cabeza o cuello, en torno a los 50-60 aos. Generalmente empieza
como un rea elevada de color azul-negro oscuro o rojo-azulado, aunque
algunos no tienen ningn color.

VI.2.1.5. Prevencin
Hay dos medidas esenciales en la prevencin del melanoma: autoexploracin y
proteccin de los rayos ultravioleta.
La autoexploracin se debe realizar una vez al mes; en ella debe inspeccionarse toda
la extensin corporal con la ayuda de espejos, sin olvidar el fondo de las uas, los
pliegues entre los dedos y el cuero cabelludo. Cada lunar o mancha no habitual debe
someterse a las reglas que se han citado anteriormente y, en caso de duda, siempre
consultar a un especialista en dermatologa. Hay que recordar que un diagnstico
precoz del melanoma puede salvar la vida [ CITATION HEN11 \l 10250 ] [7].

La proteccin de los rayos ultravioleta debe incluir la adopcin de ciertas medidas:

- Evitar la exposicin al sol entre las 11.00h y las 16.00h.
- Utilizar siempre crema protectora con un ndice adecuado para el foto tipo de
piel. Repetir la aplicacin de la crema cada dos horas, y despus de un bao o
mucho sudor, incluso si el producto indica resistencia al agua.
- Secarse bien despus de un bao previene las quemaduras por el efecto lupa
de las gotas de agua.
- Vestir ropa protectora si se va a estar expuesto mucho tiempo al sol y se tiene
un fototipo de piel sensible. Esto incluye sombrero o gorra, gafas de sol y manga
larga ligera.
- Extremar todas estas medidas en lugares donde la luz se refleje en el entorno
(mar, nieve, desierto).
- Evitar las cabinas de rayos UV; est demostrado que su uso aumenta el riesgo
de padecer melanoma y otros cnceres de piel.
- Vigilar la medicacin que aumenta la sensibilidad a la luz solar, para ello
consultar al mdico y leer los prospectos.
- Los nios menores de 6 meses no deben exponerse nunca al sol, y los menores
de 3 aos solo podrn hacerlo con una proteccin muy alta.
- Por ltimo, insistir en la consulta al dermatlogo ante cualquier indicio
sospechoso en una mancha de la piel; los pacientes con ms de 50 lunares o
con antecedentes familiares directos de melanoma deben acudir con
regularidad al dermatlogo para hacerse un examen completo.

VI.2.2. LUNARES
VI.2.2.1. Definicin
Todos tenemos lunares, algunos ms, algunos menos, pero, en general, es algo
sumamente comn en el cuerpo humano. Si te analizas en detalles podrs observar
cuntos lunares tienes, al menos de forma aproximada ya que puedes perder alguno
de vista.

33
 Bsicamente, los lunares son pequeos puntos de la piel donde se concentra una
mayor cantidad de melanina, que es la molcula responsable de dar color no solo a la
piel, sino tambin al pelo y al iris de los ojos.
La melanina es la responsable de las diferentes tonalidades que tiene la piel, y cuando
se concentra de forma desigual en lugares concretos se producen los lunares. Todos
los individuos tenemos lunares, incluso quienes tenemos la piel ms oscura, aunque
sean ms difciles de notar debido a que no contrastan tanto con nuestro tono de piel.
Los lunares comunes son de color marrn, aunque en algunos casos ms extraos
pueden adoptar otras tonalidades. Ms all del color del lunar, lo ms relevante a la
hora de analizar si se trata de un lunar benigno o no, es observar si cambia de color,
forma y/o tamao con el paso del tiempo.

VI.2.2.2. Aspecto
Usualmente, un lunar comn tiene menos de 5 milmetros de ancho (cerca de un
cuarto de pulgada, lo que tiene de ancho un borrador de lpiz). Es redondo u ovalado,
con una superficie lisa y un borde definido, y, frecuentemente, presenta forma de
cpula. Ordinariamente, un lunar comn presenta un color rosado, tostado o castao
uniforme. Las personas de piel o de cabello oscuro tienden a presentar lunares ms
oscuros que las personas de piel clara o de cabello rubio.

VI.2.2.3. Tipos
Nuestra piel cambia constantemente. Aunque no nos demos cuenta, la exposicin
solar, el fro, el clima o nuestro propio organismo provoca que se desarrollen nuevos
lunares y pecas, a los cuales se les debe prestar una especial atencin. Es vital saber si
los lunares que hay en nuestro cuerpo son benignos o no, controlar su desarrollo y
verificar que no se trata de un melanoma o cncer de piel.

A. BENIGNOS:
Los lunares benignos son manchas que aparecen en tu piel y provienen de la
agrupacin de clulas pigmentadas. Se caracterizan por lo siguiente:
Tienen una forma redonda u oval, simtrica.
Tienen bordes regulares y bien definidos.
Tienen uno o dos colores.
Suelen tener menos de 6 mm de dimetro.
Son parecidos entre s en la misma persona.
Aparecen durante los primeros 25 aos de vida.
Los lunares benignos pueden tener una gran variedad de colores, formas y
tamaos, pueden ser cafs, negros o azules, de forma redonda u ovalada, del
tamao de una punta de alfiler o ms grande.
Los que son mayores de 4 cm, estn presentes al nacer, es recomendable
quemarlos, ya que tiene ms posibilidades de que se vuelvan cancerosos. Pese a
que se desconoce por qu aparecen los lunares, s se sabe que el sol provoca su
aparicin y acelera su transformacin en cncer.
Es de suma importancia acudir al dermatlogo para poder controlar la evolucin
de los lunares.
B. MALIGNOS:

34
Detrs de un lunar puede existir un cncer capaz de acabar con la vida, por eso es
importante que todo lunar sea examinado por un Dermatlogo.
La pregunta que todos nos hacemos cuando tenemos un lunar es si se trata de uno
maligno, si se trata de algo que puede poner en peligro nuestra vida.

Por esta razn, existen seales que nos ensean los signos que nos deben alarmar
sobre el potencial maligno de un lunar.
Si el lunar tiene bordes irregulares; es decir, si los bordes no estn bien
definidos y usted no puede definir con exactitud dnde empieza y dnde
termina la lesin.
La mayora de los lunares benignos son redondos. Cuando no es as, es
decir, cuando las dos mitades del lunar no son iguales debemos alertarnos
y vigilarlo con atencin. Esto es lo que los dermatlogos denominan
asimetra.
Si el lunar presenta ms de un color. Por ejemplo, que un mismo lunar
tenga tono caf, negro y rojo, esto tambin debe ser tenido en cuenta
como signo de alarma y debe conducirnos a estudiar con ms rigor la
lesin que tenemos.
Cuando un lunar mide ms de 1 centmetro de dimetro o ha crecido
desde la revisin anterior, tambin debemos alertarnos.
Cuando el lunar se inflama, pica, duele, sangra o tiene una lcera (lesin
abierta encima de la superficie del lunar) debemos sospechar de su
potencial maligno.
Si el lunar aparece de forma busca y se pone de color negro.
Si tiene muchos lunares quiz sea ms difcil para usted estar atento a
cualquier cambio que ellos puedan presentar y en tal caso es de utilidad la
consulta peridica con un dermatlogo.
Si en su familia hay antecedentes de cncer de piel o lunares malignos
tambin es importante consultar, no porque los lunares malignos sean
hereditarios, sino porque usted comparte con sus familiares el mismo tipo
de piel que lo hace ms susceptible a padecer este tipo de enfermedades.
Siempre que usted tenga la duda es importante consultar con un
Dermatlogo.

35
 Figura 6: Lunar Benigno y Maligno.

VI.2.3. CANCER DE PIEL

VI.2.3.1. Definicin
El cncer de piel no melanoma es el tipo ms comn de cncer de piel. Se le llama no
melanoma, porque este grupo de tumores comprende todos los tipos de cncer de la
piel, excepto uno: El melanoma maligno, que es el cncer que se desarrolla a partir de
los melanocitos.
Segn un estudio realizado por la Organizacin Mundial de la Salud, cada ao se
realizan alrededor de 5.000 nuevos diagnsticos de cncer de piel. Factores como el
deterioro de la capa de ozono o la falta de prevencin diaria propician la aparicin de
nuevos casos.

VI.2.3.2. Causas
La predisposicin gentica es la causa principal de la aparicin del cncer de piel,
aunque existen otros factores bien identificados que tambin intervienen, como la
radiacin ultravioleta, algunos agentes qumicos, las infecciones por el virus del
papiloma humano e incluso inmunodepresin.
Las causas ms frecuentes son:
La exposicin excesiva a la radiacin ultravioleta (UV), cuya principal fuente es
la luz solar. El grado de exposicin a esta radiacin depende de la intensidad de
la luz, del tiempo de exposicin y de si la piel ha estado protegida. Las personas
que viven en reas donde estn expuestas todo el ao a una luz solar intensa
tienen mayor riesgo de desarrollar este tipo de cncer. Adems, estar largo
tiempo a la intemperie por motivos de trabajo u ocio sin protegerse con ropas
adecuadas y proteccin solar incrementa la posibilidad de desarrollarlo.

36
 Las lmparas y cabinas bronceadoras son otras fuentes de radiacin ultravioleta
que pueden aumentar el riesgo de desarrollar un cncer de la piel no
melanoma.
La exposicin a ciertos productos qumicos como el arsnico, la brea industrial,
la hulla, la parafina y ciertos tipos de aceites.
La exposicin a la radiacin, como la producida por la radioterapia.
Las lesiones o inflamaciones graves o prolongadas de la piel, como pueden ser
las quemaduras graves, la piel que recubre el rea donde se produjo una
infeccin sea grave y la piel daada por ciertas enfermedades inflamatorias.
El tratamiento de la psoriasis con psoralenos y luz ultravioleta administrados a
algunos pacientes con psoriasis.
El xeroderma pigmentoso, una patologa hereditaria muy poco frecuente,
reduce la capacidad de la piel para reparar los daos que sufre el ADN como
consecuencia de la exposicin a la luz solar. Las personas que tienen este
trastorno desarrollan un gran nmero de tumores de la piel, a veces desde la
infancia.
El sndrome del nevus de clulas basales es una condicin congnita poco
frecuente, que ocasiona mltiples tumores malignos de clulas basales
(basaliomas). La mayora de los casos, aunque no todos, son hereditarios.

VI.2.3.3. Sntomas
El cncer de la piel no melanoma puede tener el aspecto de diversas marcas en la piel.
Las seales de aviso principales son la aparicin de una nueva masa, una mancha o
protuberancia que est creciendo (en el transcurso de unos meses o de uno a dos
aos), o bien una lcera que no sane en un plazo de tres meses.
Los ms comunes son:
Los carcinomas de clulas basales aparecen en un rea tanto plana, como
escamosa que adquiere un color rojizo, o en pequeas reas cerosas, brillantes
y translcidas al relieve, que pueden sangrar con una lesin menor. Es estas
reas es frecuente identificar uno o ms vasos sanguneos irregulares visibles, o
mostrar reas de color azul, caf o negro.
Los carcinomas de clulas escamosas pueden aparecer en forma de
protuberancias crecientes, a menudo de superficie spera, o planas como
manchas rojizas de la piel que crecen lentamente. Estos dos tipos de cncer de
la piel no melanoma pueden desarrollarse en una superficie plana que slo
muestra leves cambios con respecto a la piel normal.
El sarcoma de Kaposi suele empezar en una pequea rea similar que adquiere
un color morado que se convierte en un tumor.
La micosis fungoide empieza como una erupcin, a menudo en los glteos, las
caderas o la parte inferior del abdomen. Puede parecer una alergia de la piel u
otro tipo de irritacin de la misma.
Los tumores de los anexos se presentan como protuberancias dentro de la piel.
Los sarcomas de la piel se manifiestan como grandes masas debajo de la
superficie de la misma. Los tumores de clulas de Merkel suelen aparecer en
forma de ndulos de color rojo prpura o de lceras (llagas) localizadas en la
cara, o, con menos frecuencia, en los brazos o las piernas.

37
VI.2.3.4. Prevencin
La forma ms importante de reducir el riesgo de desarrollar un cncer de la piel no
melanoma es evitar exponerse sin proteccin a los rayos solares y a otras fuentes de
luz ultravioleta.
La manera ms sencilla de evitar la exposicin excesiva a la luz ultravioleta es
mantenerse alejado del sol y a la sombra siempre que sea posible. Esto se puede
aplicar tanto en periodos veraniegos como el resto del ao, ya que efectos del clima,
como la nubosidad o la nieve, no reducen la incidencia de la radiacin solar por
completo.
Es importante que esta precaucin se tenga desde la infancia, pues se ha demostrado
que el 80 por ciento de los daos que el sol puede causar en la piel ocurren antes de
cumplir los 18 aos.

VI.2.3.5. Tipos
Existen muchos tipos de cncer de piel no melanoma, pero hay dos que son los ms
comunes: el carcinoma baso celular y el carcinoma de clulas escamosas.
A) CARCINOMA BASOCELULAR (CNCER DE CLULAS BASALES)
Es un tumor de crecimiento lento. Es muy raro que un cncer de clulas
basales se extienda a partes distantes del cuerpo. No obstante, si un cncer de
clulas basales se deja sin tratar puede extenderse a las reas cercanas y
afectar los huesos, as como otros tejidos de la piel. Despus del tratamiento,
el carcinoma baso celular puede reaparecer en el mismo lugar de la piel.
B) EL CARCINOMA ESPINOCELULAR (CARCINOMA DE CLULAS ESCAMOSAS)
Se desarrolla en las capas superiores de la epidermis y representa alrededor
del 20 por ciento de todos los casos de cncer de la piel. Con frecuencia
aparece en reas del cuerpo expuestas al sol, tales como la cara, las orejas, el
cuello, los labios y el dorso de las manos. Tambin se puede desarrollar en
cicatrices o lceras de la piel en otras partes del cuerpo.

VI.2.3.6. Tratamiento
La extirpacin es el tratamiento ms comn de este tipo de lesiones, que puede
completarse con la llamada ciruga de Mohs dependiendo de la localizacin o si la
mancha tiene un tamao considerable [ CITATION Cui11 \l 10250 ][11].
La escisin simple consiste en la extirpacin del tumor y parte del tejido que lo
rodea.
Ciruga de Mohs: Se elimina la capa de la piel afectada por el cncer y
posteriormente, el mdico extrae el tejido que rodea la zona comparando
ambos en el microscopio.
Criociruga: Mediante nitrgeno lquido se congelan y destruyen las clulas
cancerosas.
Ciruga lser: Se utiliza en carcinomas muy superficiales sobre los que se aplica
el rayo lser para vaporizar las clulas cancerosas.
Electro desecacin: el tumor se extrae raspando el tejido, y despus se trata la
zona donde se encontraba la mancha con una aguja elctrica para destruir las
clulas cancerosas que queden.

38
 Quimioterapia: El medicamento que ms frecuentemente se utiliza es el
fluorouracilo, que usado de forma tpica llega a las clulas ms cercanas de la
superficie de la piel, por lo que se utilizar slo en patologas pre malignas. Este
medicamento enrojece la zona donde se aplica y la hace ms sensible al sol, por
lo que es aconsejable que la zona est bien protegida.
Radioterapia: Consiste en el empleo de radiacin para destruir las clulas
cancerosas. El tratamiento dura unos minutos y no es doloroso.
Se utiliza en aquellos pacientes que no pueden someterse a ciruga, como
personas de edad muy avanzada. Este tratamiento puede curar aquellos tipos
de cncer que se encuentren en estadios bajos. Tambin puede utilizarse como
complemento a la ciruga.

Figura 7: CIRUGIA DE MOHS.

6.3 DIAGRAMA DE FLUJO DE DATOS

39
El diagrama de flujo de datos (DFD) tiene por objetivo representar grficamente el sistema
a nivel lgico y conceptual del sistema, mostrando as el componente esencial de un
proceso y la forma en que interactan con el resto del programa.
Con esto conseguimos definir entradas, procedimientos y salidas de la informacin en el
sistema bajo desarrollo, permitiendo as comprender y desarrollar los procedimientos
existentes.

VII. METODOLOGA DE DESARROLLO

40
 I. Fase: Adquisicin del conocimiento

Entrevista Nro. 1
Objetivo:

Conocer el concepto de melanoma, as como los factores que contribuyen a su

desarrollo, quines son los ms afectados.

Encargados:
o Rojas Sigenza Josu Spencer

o Taipe Lpez Andy

Especialista: practicante. Yelsin Erick Fernndez

1. Qu es el melanoma?

El melanoma es una clase de cncer de piel. Es el ms raro, pero tambin el ms

peligroso dado a su alta tasa de mortalidad si no se detecta a tiempo.
2. Cules son los desencadenantes para este tipo de cncer de piel?

Podemos decir que son por Herencia y por exposicin a los rayos del sol
-Herencia: El riesgo es mayor si se tiene un pariente cercano (madre, padre, hermano o
hijo) con esta enfermedad.
- Rayos del sol: La exposicin a los rayos del sol y las quemaduras de estas podran
generar un melanoma.
3. Quin est en riesgo de tener melanoma?
Cualquier persona est en riesgo de tener melanoma. El riesgo aumenta con la edad. Las
personas con cabello, ojos y piel clara tienen ms riesgo que las personas con cabello, ojos
y piel oscura. Las personas con historia familiar de melanoma tienen mayor riesgo tambin.
4. Cmo se previene el melanoma?
Protegerse del sol (evitar las quemaduras, evitar los bronceados, usar gorros o sombreros,
etc) y principalmente proteger a los nios del sol.
Los nios necesitan proteccin especial del sol porque su piel se quema con ms facilidad.

41
 Conclusin
Se adquiri conocimientos previos acerca del melanoma, adems de cules son
los desencadenantes para esta enfermedad, las personas propensas a tener
melanoma y su prevencin.

Entrevista Nro. 2

Objetivo:

Conocer cmo se diagnostica el melanoma, sus sntomas y tratamientos.

Encargados:
o Rojas Sigenza Josu Spencer

o Taipe Lpez Andy

Especialista: practicante. Yelsin Erick Fernndez

5. Cmo se diagnostica el cncer de piel?

Para un correcto diagnstico del melanoma, hay que estar atento a los lunares, a cualquier
cambio que se tenga:
A: Asimetra

B: Bordes irregulares

C: Color.

D: Dimetro

E: Evolutivo

6. Cules son los sntomas del melanoma?

El sntoma principal del melanoma son los lunares anormales. Algunos signos de lunares
anormales incluyen:
Cambios en forma, tamao o color(Evolutiva)
La mitad del lunar no se ve como la otra mitad(Asimetra)
Los bordes son irregulares(Borde)
El lunar no tiene todo el mismo color(Color)
El lunar tiene distintos tonos de beige, marrn o negro, y puede tener tambin rojo,

42
 azul o blanco(Color)
Es ms ancho de un cuarto de pulgada (Dimetro).
Habitualmente se manifiesta en menores de 18 meses de edad.

7. Cules son los tratamientos a seguir?

El tratamiento puede ser:
Ciruga
Radioterapia
Medicamentos
Quimioterapia (Solo si el melanoma se encuentra en una etapa avanzada).
Para elegir que tratamiento a seguir depender del caso en particular de cada paciente.

Conclusin
Se recopil informacin sobre los sntomas ms frecuentes, los mtodos de
diagnstico y tratamientos.

II. Fase: Representacin del Conocimiento

1. REGLAS EN LGICA PROPOSICIONAL

REGLA 1: Si el paciente tiene peso bajo y est entre la edad de 7 das a 2 meses,
puede beber o alimentarse, adems tiene cambio de color de lunar, tambin su
lunar tiene borde irregular, tambin lunar con dimetro mayor y tambin
oscuramente de piel entonces el nio tiene un diagnosticaran de melanoma

( p q r s t u v ) w

p=tiene peso bajo.

q=esta dentro de 7 das a 2 meses.
r= puede beber o alimentarse.
s= presenta cambio de color de lunar.

43
 t= borde regular.
u= dimetro mayor.
v= tiene oscuramiento de piel.
w=presenta diagnosticaran de melanoma
REGLA 2: Si el paciente tiene peso bajo y est entre la edad de 2 meses a 5 aos
y tiene talla baja, puede beber o alimentarse, adems tiene mancha oscura en la
piel, tambin un lunar que se divide por la mitad, tambin presenta bordes
irregulares y lunar por encima de la piel entonces el nio tiene un diagnosticaran
de melanoma.

( p q x r s t u v) w

p=tiene peso bajo.

q=esta dentro de 2 meses a 5 aos.

r= puede beber o alimentarse.

x= tiene talla baja.

s= mancha oscura en la piel.

t= lunar que se divide por la mitad.

u= bordes irregulares.

v= lunar por encima de la piel

w=presenta diagnosticaran de melanoma.

REGLA 3: Si el paciente tiene peso muy bajo y est entre la edad de 7 das a 2
meses, no puede beber o alimentarse, adems tiene llaga que no cicatriza,

44
 tambin enrojecimiento de una nueva inflamacin, cambio en la superficie del
lunar y ulcera que sangra entonces el nio tiene un diagnosticaran de melanoma.

( p q r s t u v ) w

p=tiene peso muy bajo.

q=esta dentro de 7 das a 2 meses.

r= puede beber o alimentarse.

s= llaga que no cicatriza.

t= enrojecimiento de una nueva inflamacin.

u= cambio en la superficie del lunar

v= ulcera que sangra

w=presenta diagnosticaran de melanoma.

3. REGLAS EN LGICA DE PREDICADOS

REGLA 1: Si el paciente tiene peso bajo y est entre la edad de 7 das a 2 meses,
puede beber o alimentarse, adems tiene cambio de color de lunar, tambin su lunar
tiene borde irregular, tambin lunar con dimetro mayor y tambin oscuramente de
piel entonces el nio tiene una diagnosticaran de melanoma

tiene ( x , oscuramiento de piel) tiene (x , peso bajo) tiene(x , diagnost
( paciente ( x )) esta( x ,7 dias2 meses) puede(x , beber alimentarse) (tiene(x , piel))(tiene ( x ,bo
x

REGLA 2: Si el paciente tiene peso bajo y est entre la edad de 2 meses a 5 aos
y tiene talla baja, puede beber o alimentarse, adems tiene mancha oscura en la
piel, tambin un lunar que se divide por la mitad, tambin presenta bordes
irregulares y lunar por encima de la piel entonces el nio tiene un diagnosticaran
de melanoma.

45
 ( paciente ( x ))esta( x , 2meses 5 a os) tiene( x , talla baja) puede( x , beber alimentarse) (tiene(

REGLA 3: Si el paciente tiene peso muy bajo y est entre la edad de 7 das a 2
meses, no puede beber o alimentarse, adems tiene llaga que no cicatriza, tambin
enrojecimiento de una nueva inflamacin, cambio en la superficie del lunar y ulcera
que sangra entonces el nio tiene un diagnosticaran de melanoma.

( paciente( x ))esta( x , 7 dias2 meses) ( puede(x , beber alimentarse ))(tiene ( x , cicatriza ))(tiene( x , enro

III.Fase: Diseo del Conocimiento

46
 3.1. GRAFOS AND / OR
Lo utilizamos para representar el esquema de nuestra base de conocimientos para su
posterior uso al crear reglas para detectar el cncer.

a) MELANOMA

COLOR DIMETRO EVOLUCI

ASIMETR BORDE
N
A

A
A
N A Carcinomas deAclulas
N Carcinomas de
D N escamosas N
D clulas basales
D D

AND
LA MITAD OR
LA EL LUNAR CAMBIOS
LOS BORDES BORDE EL
DEL LUNAR MARCA SON DESIGU COLOR MIDE MAS EN EL
NO DE IRREGULARES AL Y NO ES DE 6 CTM TAMAO,
CORRESPON NACIMIE COLOR UNIFOR
rea genital DE ANCHO
CrecimientFORMA, Manchas rojas que
FRGILES
DE A LA NTO NO EN CUALQUIER NO ME os o COLORson speras o
OTRA CORRESPOPARTE HOMOG protuberan
NEO
escamosas, y que
MITAD NDE A LA cias
OTRA
podran sangrar
elevados, a
MITAD veces con
OR un rea
O AND inferior en
R el centro

reas Manchas Protuberan Crecimie Llagas

rojizas cias ntos de abiertas Crecimien Llagas abiertas
planas,
elevadas enrojecida color (que puede tos (que puede
firmes, tener
plidas o
que so rosa con tener similares
podran bordes supuracin o
amarillas,
rosadas, supuracin o a verrugas
causar translcida elevados reas reas
similares a comezn s, brillosas y un rea costrosas) costrosas) que
una cicatriz y inferior que no se no se curan, o
nacaradas en su curan, o que que se curan y
que centro se curan y luego regresan
pueden que luego
tener reas podra regresan
b) NO MELANOMA
de (Carcinomas).
color contener
azul, vasos
marrn o sangune
negro os
anormal
es
47
esparcid
os
d) MELANOMA-OTROS

48
VIII. ANALISIS Y DISEO
i. DESARROLLO:

49
 i.1. IMPLEMENTACIN

Fig: Codificacin en Java

Fig: Codificacion en Prolog

i.2. DISEO DE INTERFACES

50
 Fig: Interfaz Grfica de nuestro Sistema experto

i.3. RESULTADO

Fig: Prueba de diagnstico de CANCER

I. BIBLIOGRAFA

51
1. A., B. E. (2004). PATHOLOGY OF MELANOCYTIC NEVI AND MALIGNANT MELANOMA
2. BARZAGA, D. H. (2011). ALGORITMO PARA LA ATENCION INTEGRAL A PACIENTES
CON CANCER CUTANEO NO MELANOMA. CAMAGEY: UNIVERSIDAD DE CIENCIAS
MEDICAS CAMAGEY.
3. Gallego, A. C. (s.f.). Introduccin a las redes neuronales artificiales. Obtenido de
www.gui.uva.es
4. Haykin, S. (2001). NEURAL NETWORKS A Comprehensive Foundation. Ontario:
Pearson Education.
5. LEBOIT, M. A. (2014). HISTOLOGICAL DIAGNOSIS OF NEVI AND MELANOMA.
6. MAHECHA, A. L. (2007). SISTEMA EXPERTO DE PREDICCION DE CANCER
PROSTATICO A TRAVEZ DE MUESTRAS DE SANGRE POR EXAMEN DE ANTIGENO
PROSTATICO ESPECOFICO. EL BOSQUE: JOURNAL OF TECHNOLOGY.
7. MARTINEZ, H. (2011). ATLAS OF SKIN CANCERS MELANOMA. CALIFORNIA.
8. Martnez, M. G. (1997). Curso de introduccin a las Redes Neuronales Artificiales.
Obtenido de http://magomar.webs.upv.es/rna/downloads.html
9. Nebrija, U. d. (2011). Introduccin a la Inteligencia. Nebrija: Nebrija.
10. Palacios Burgos, F. J. (2003). Redes Neuronales con GNU/Linux.
11. Plus, C. (2011). Cncer de piel. Cncer de piel.
12. RAMIREZ Q., S., PONCE E. , C., & NOLIVOS A., I. (2009). SISTEMA EXPERTO PARA LA
DETECCION DE CANCER A LA GLANDULA TIROIDES - SIECAT. 2013.
13. Vicen, T. (2011). La inteligencia artificial. Lychnos. Obtenido de
http://www.fgcsic.es/lychnos/es_es/articulos/inteligencia_artificial
14. WIKIPEDIA. (6 de JUNIO de 20117). WIKIPEDIA EN ESPAOL. Obtenido de
WIKIPEDIA EN ESPAOL: https://en.wikipedia.org/wiki/Melanoma
15. WIKIPEDIA. (7 de JUNIO de 2017). WIKIPEDIA. Obtenido de WIKIPEDIA:
https://en.wikipedia.org/wiki/Skin_cancer
16. ZURADA, J. M. (1992). INTRODUCTION TO ARTIFICIAL NEURAL SYSTEMS. NEW
YORK: WEST PUBLISHING COMPANY.
17. RECONOCIMIENTO DE PATRONES. ARGENTINA[ CITATION Rim16 \l 10250 ]
http://guivarrimapa.blogspot.pe/
18. Reconocimiento de Patrones. 3rd ed. [ebook] Mxico.[ CITATION Car151 \l 10250 ]
https://ccc.inaoep.mx/~ariel/recpat.pdf

52
II. ANEXOS

ANEXO 1: ESTIMACIONES DE LA INCIDENCIA DE CNCER EN EL PER,

2002-2025. NMERO DE CASOS NUEVOS POR AO.

Fuente: Dpto. de Epidemiologa y Estadstica del Cncer (Instituto Nacional de Enfermedades Neoplsicas)

53
ANEXO 2: ESTIMACION DE CANCR DE PIEL EN LIMA Y EL PER.

54
ANEXO 3: TASA AJUSTADA DE MORTALIDAD POR CANCER DE PIEL.

55
ANEXO 4: CASOS DE NEOPLASIAS CUTNEAS ATENDIDAS EN EL
INSTITUTO NACIONAL DE ENFERMEDADES NEOPLASTIAS, 2000-2011.

Fuente: Departamento de Epidemiologia y Estadstica del Cncer, Instituto Nacional de

Enfermedades Neoplsicas(INEN).

56