Desarrollo de un sistema de detección y evaluación de cáncer tipo melanoma mediante imágenes por inteligencia artificial

Este proyecto se centra en la creación de un sistema de detección médica basado en aprendizaje profundo (deep learning). El objetivo principal es desarrollar un sistema que procese imágenes dermatoscópicas para identificar la presencia de melanoma, sin determinar la etapa del cáncer. Para abordar la necesidad de herramientas efectivas en la detección temprana del melanoma, se utilizaron algoritmos de inteligencia artificial y una base de datos balanceada con 4000 imágenes dermatoscópicas. Se emplearon tres tipos de optimizadores de deep learning para mejorar y ajustar la exactitud de los modelos, optimizando la tasa de aprendizaje al ajustar los parámetros internos de la red. El proyecto comparó la técnica de creación de la estructura desde cero (fromscratch) con el transfer learning, seleccionando el mejor modelo según las métricas de rendimiento. La principal contribución del sistema es su capacidad para discriminar entre lesiones benignas y malignas, ofreciendo un apoyo adicional a los profesionales de la salud en la toma de decisiones. Los resultados obtenidos hasta ahora demuestran un alto grado de sensibilidad y puntuación F1, en la detección de melanomas a partir de imágenes dermatoscópicas, indicando un potencial significativo para mejorar el diagnóstico temprano y preciso de este tipo de cáncer de piel. En resumen, este proyecto representa un avance significativo en la detección de cáncer de piel mediante deep learning y redes neuronales convolucionales, ofreciendo una herramienta prometedora que complementa el diagnóstico médico convencional.

• Autores: Leal Bustamante, Nicolas Eduardo; Rojas Murillo, Isaias Andres
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Universidad Autónoma de Bucaramanga - UNAB
• Repositorio: Repositorio UNAB
• Idioma: spa
• OAI Identifier: oai:repository.unab.edu.co:20.500.12749/25222
• Acceso en línea: http://hdl.handle.net/20.500.12749/25222
• Palabra clave: Convolutional neural networks; Optimizer algorithm; Deep learning; Transfer learning; Batch size; Skin cancer; Image processing; Learning rate; Artificial intelligence; Biomedical engineering; Engineering; Biophysics; Bioengineering; Medicine; Biomedical; Electronic data processing; Simulation by digital computers; Machine learning; Adaptive systems; Ingeniería biomédica; Ingeniería; Biofísica; Bioingeniería; Medicina; Biomédica; Procesamiento electrónico de datos; Simulación por computadores digitales; Aprendizaje automático (Inteligencia artificial); Sistemas adaptativos; Melanoma; Redes neuronales convolucionales; Optimizador; Inteligencia artificial; Cáncer de piel; Procesamiento de imágenes; Tasa de aprendizaje
• License: http://creativecommons.org/licenses/by-nc-nd/2.5/co/