Академический Документы
Профессиональный Документы
Культура Документы
TRUJILLO
FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS
AUTORES:
DOCENTE:
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.
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).
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).
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.1.1.1. 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.
VI.1.1.2. Paradigmas de la IA
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.
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
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]:
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.
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].
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.
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 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).
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.
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.
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.
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.1.5.2.2. 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.
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.1.6.2.1. 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.1.6.2.3. 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.1.6.2.5. 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.
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.
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
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.
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]:
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].
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.2.3.2. 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.
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.
40
I. Fase: Adquisicin del conocimiento
Entrevista Nro. 1
Objetivo:
Encargados:
o Rojas Sigenza Josu Spencer
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:
Encargados:
o Rojas Sigenza Josu Spencer
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
42
azul o blanco(Color)
Es ms ancho de un cuarto de pulgada (Dimetro).
Habitualmente se manifiesta en menores de 18 meses de edad.
Conclusin
Se recopil informacin sobre los sntomas ms frecuentes, los mtodos de
diagnstico y tratamientos.
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
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
u= bordes irregulares.
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
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
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
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
48
VIII. ANALISIS Y DISEO
i. DESARROLLO:
49
i.1. IMPLEMENTACIN
50
Fig: Interfaz Grfica de nuestro Sistema experto
i.3. RESULTADO
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
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.
56