Análisis crítico de las técnicas de inteligencia artificial más utilizadas en la predicción del cáncer de mama a partir de mamografías

Pulgarin Sánchez, Santiago; Valencia Orozco, Sara Lucía

dc.contributor.advisor	Marín Morales, María Isabel
dc.contributor.advisor	Ahumada, Hernán
dc.contributor.author	Pulgarin Sánchez, Santiago
dc.contributor.author	Valencia Orozco, Sara Lucía
dc.date.accessioned	2021-06-30T21:29:42Z
dc.date.available	2021-06-30T21:29:42Z
dc.date.issued	2020-11-20
dc.identifier.uri	https://dspace.tdea.edu.co/handle/tdea/1459
dc.description	ilustraciones, anexos	spa
dc.description.abstract	Los avances en el campo de la informática han ayudado a simplificar tareas humanas. Uno de los procesos en los cuales se ha logrado mayor progreso es la inteligencia artificial (IA). Esta, le ofrece a la humanidad grandes beneficios y reducir los tiempos de los diagnósticos en la medicina. Una de las áreas beneficiadas por la IA es la detección temprana del cáncer de mama mediante las mamografías, la cual disminuye los tiempos de diagnóstico y errores humanos, utilizando técnicas como el aprendizaje profundo o el aprendizaje automático; los cuales evolucionan satisfactoriamente con el pasar de los años. Estas técnicas utilizan los datos para convertirlos en conocimientos, los cuales son procesados y analizados a través de métodos complejos. La IA busca que su impacto a futuro sea beneficioso y traiga consigo éxitos sin precedentes a la humanidad y al mismo tiempo logra reducir los índices de mortalidad en las mujeres que padecen dicha enfermedad.	spa
dc.description.tableofcontents	TABLA DE CONTENIDO DEDICATORIA ................................................................................................................ 2 AGRADECIMIENTOS ..................................................................................................... 3 RESUMEN ....................................................................................................................... 4 PALABRAS CLAVE ......................................................................................................... 4 TABLA DE CONTENIDO ................................................................................................. 5 ÍNDICE DE FIGURAS ..................................................................................................... 7 ÍNDICE DE TABLAS ........................................................................................................ 8 ABREVIATURAS ............................................................................................................. 9 1. INTRODUCCIÓN ................................................................................................... 10 2. MARCO DEL PROYECTO ..................................................................................... 11 2.1. DEFINICIÓN DEL PROBLEMA ........................................................................... 11 2.2. JUSTIFICACIÓN DEL PROBLEMA ..................................................................... 12 2.3. FORMULACIÓN DEL PROBLEMA ..................................................................... 14 2.4. MARCO CONTEXTUAL ...................................................................................... 14 2.5. ANTECEDENTES ................................................................................................ 16 2.6. HIPÓTESIS .......................................................................................................... 18 3. OBJETIVOS ........................................................................................................... 18 3.1. OBJETIVO GENERAL ......................................................................................... 18 3.2. OBJETIVOS ESPECÍFICOS................................................................................ 18 4. MARCO METODOLÓGICO ................................................................................... 19 4.1. DEFINICIÓN DE LA METODOLOGÍA ................................................................. 19 4.2. DEFINICIÓN DEL ALCANCE .............................................................................. 21 5. MARCO TEÓRICO – CONCEPTUAL .................................................................... 21 6. DESARROLLO DEL PROYECTO .......................................................................... 27 6.1 IDENTIFICAR LOS PRINCIPALES MODELOS PREDICTIVOS UTILIZADOS POR LAS TÉCNICAS DE INTELIGENCIA ARTIFICIAL EN LA PREDICCIÓN DEL CÁNCER DE MAMA A PARTIR DE MAMOGRAFÍAS, PARA LA OBTENCIÓN DE UNA VISIÓN GENERAL SOBRE LAS TENDENCIAS ACTUALES. ................................... 27 6.2 DEFINIR LOS CRITERIOS DE ANÁLISIS A LA LUZ DE LOS CUALES SE REVISARÁ CADA MODELO ..................................................................................... 32 6.3 CARACTERIZAR LOS MODELOS PREDICTIVOS UTILIZADOS POR LAS TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA LA PREDICCIÓN DEL CÁNCER DE MAMA QUE FUERON IDENTIFICADOS CON BASE A LOS CRITERIOS DE ANÁLISIS DEFINIDOS .............................................................................................. 34 6.4 ANALIZAR LOS RESULTADOS DE LA CARACTERIZACIÓN CON EL FIN DE ESTABLECER UNA POSICIÓN CRÍTICA SOBRE EL CONJUNTO DE TÉCNICAS REVISADAS. ............................................................................................................. 43 7. RESULTADOS Y DISCUSIÓN ............................................................................... 53 8. IMPACTO ESPERADO .......................................................................................... 54 9. CONCLUSIONES ................................................................................................... 54 10. RECOMENDACIONES FUTURAS ...................................................................... 55 REFERENCIAS ............................................................................................................. 56 Bibliografía ..................................................................................................................... 56 ANEXOS........................................................................................................................ 64 ÍNDICE DE FIGURAS Figura 1, The Systematic Mapping Process. Tomado de Systematic Mapping Studies in Software Engineering .................................................................................................... 20 Figura 2 Deep Learning o Aprendizaje Profundo. Tomado de Smart Panel. ................. 22 Figura 3 Las 7 Fases del Proceso de Machine Learning. Tomado de IA artificial ......... 23 Figura 4 Análisis gráfico del comportamiento de células normales y malignas. Tomado de Clasificación de Mamografías Mediante Redes Neuronales Convolucionales. ............. 25 Figura 5 Imágenes mamográficas con artefactos. Tomado de Diseño de Sistema Automatizado para Detección de Anomalías en Imágenes Digitales de Mama............. 25 Figura 6 Mamografía normal (izquierda) y mamografía con anomalía (derecha). Tomado de Clasificación de Mamografías Mediante Redes Neuronales Convolucionales ......... 25 Figura 7 Clasificación de los problemas según su complejidad. Tomado de Análisis de Algoritmos. ..................................................................................................................... 27 Figura 8 Proceso de Revisión Sistemática de Literatura ............................................... 28 Figura 9 Porcentaje de Trabajos ................................................................................... 30 Figura 10 Sensibilidad ................................................................................................... 30 Figura 11 Especificidad ................................................................................................. 31 Figura 12 Precisión Promedio (Exactitud) ..................................................................... 32 Figura 13 ejemplo de una red neuronal totalmente conectada. Tomado de Redes Neuronales: Conceptos Básicos y Aplicaciones. ........................................................... 35 Figura 14 Redes Convolucionales. Tomado de Clasificación de redes neuronales artificiales....................................................................................................................... 36 Figura 15 Redes Monocapa. Tomado de Clasificación de Redes Neuronales Artificiales ...................................................................................................................................... 36 Figura 16 Imagen Intuitiva de Deep Learning. Smart Panel .......................................... 39 Figura 17 Mamografía bilateral. A. Imagen nodular mal delimitada en UCS (Unión de Cuadrantes Superiores) de mama izquierda. Tomado de Introducción del CAD en un Programa de Detección Precoz de Cáncer de Mama. .................................................. 41 Figura 18 Mamografía Bilateral. B. El CAD marca correctamente el tumor en las dos proyecciones, se muestra carcinoma ductal infiltrante de 11mm. Tomado de Introducción del CAD en un Programa de Detección Precoz de Cáncer de Mama. .......................... 41 Figura 19 Arquitectura CAD. Tomado de Herramienta para la Detección Automática de Patologías en Radiografías de Tórax usando Visión por Computador .......................... 41 Figura 20 Etapas del Trabajo con Imágenes Mamográficas Realizado por un Sistema CAD. Tomado de Introducción del CAD en un Programa de Detección Precoz de Cáncer de Mama........................................................................................................................ 42 Figura 21 Ejemplo de una red bayesiana. Los nodos representan variables aleatorias y los arcos relaciones de dependencia. Tomado de Redes Bayesianas. ......................... 4 ÍNDICE DE TABLAS Tabla 1 Resultados Sensibilidad ................................................................................... 30 Tabla 2 Resultados Especificidad .................................................................................. 31 Tabla 3 Resultados Exactitud ........................................................................................ 32 Tabla 4 Criterios de Análisis .......................................................................................... 33 Tabla 5 Principios de las Redes Neuronales. Tomado de Principios y características de las redes neuronales artificiales. ................................................................................... 37 Tabla 6 Criterio de Evaluación. Redes Neuronales ....................................................... 43 Tabla 7 Criterio de Evaluación. CAD ............................................................................. 44 Tabla 8 Criterio de Evaluación. Machine Learning (Aprendizaje Automático) ............... 46 Tabla 9 Criterio de Evaluación. Deep Learning (Aprendizaje Profundo) ....................... 48 Tabla 10 Criterio de Evaluación. Sistema Bayesiano .................................................... 49	spa
dc.format.extent	80 páginas	spa
dc.format.mimetype	application/pdf	spa
dc.language.iso	spa	spa
dc.publisher	Tecnológico de Antioquia, Institución Universitaria	spa
dc.rights	Tecnológico de Antioquia, Institución Universitaria, 2020	spa
dc.rights.uri	https://creativecommons.org/licenses/by-nc/4.0/	spa
dc.title	Análisis crítico de las técnicas de inteligencia artificial más utilizadas en la predicción del cáncer de mama a partir de mamografías	spa
dc.type	Trabajo de grado - Pregrado	spa
dcterms.references	Adam Conner-Simons, R. G. (05 de 2019). MIT. Obtenido de MIT on Campus Around the World: https://news.mit.edu/2019/using-ai-predict-breast-cancer-and-personalize-care-0507	spa
dcterms.references	Alandete, D. (27 de 10 de 2011). El País. Obtenido de El País: https://elpais.com/diario/2011/10/27/necrologicas/1319666402_850215.html	spa
dcterms.references	Alcalá, U. d. (2020). Universidad de Alcalá. Obtenido de Importancia del Deep Learning: https://master-deeplearning.com/importancia-del-deep-learning/	spa
dcterms.references	Alejandro Díaz Sotolongo, D. B. (13 de 08 de 2013). 3ciencias. Obtenido de Combinación de Técnicas de Procesamiento Digital de Imágenes de Intligencia Artificial Para el Análisis de Imágenes de Mamografía: https://www.3ciencias.com/wp-content/uploads/2013/08/Combinaci%C3%B3n-de-t%C3%A9cnicas-de-PDI-e-IA-para-el-an%C3%A1lisis-de-im%C3%A1genes-de-mamograf%C3%ADa.pdf	spa
dcterms.references	Alonso, M. A. (01 de 2012). medwave. Obtenido de Fundamentos del análisis crítico: concepto de validez y condiciones básicas para el análisis: https://www.medwave.cl/link.cgi/Medwave/Series/MBE03/5293#:~:text=El%20an%C3%A1lisis%20cr%C3%ADtico%20de%20la,sea%20por%20sesgo%20o%20confusi%C3%B3n.	spa
dcterms.references	Alonso, M. A. (01 de 2012). Medwave. Obtenido de Fundamentos del análisis crítico: concepto de validez y condiciones básicas para el análisis: https://www.medwave.cl/link.cgi/Medwave/Series/MBE03/5293#:~:text=El%20an%C3%A1lisis%20cr%C3%ADtico%20de%20la,sea%20por%20sesgo%20o%20confusi%C3%B3n.	spa
dcterms.references	Alonso, M. A. (01 de 2012). Medwave. Obtenido de Fundamentos del análisis crítico: concepto de validez y condiciones básicas para el análisis: https://www.medwave.cl/link.cgi/Medwave/Series/MBE03/5293#:~:text=El%20an%C3%A1lisis%20cr%C3%ADtico%20de%20la,sea%20por%20sesgo%20o%20confusi%C3%B3n.	spa
dcterms.references	Alvarez, J. R. (09 de 2011). Universidad Autónoma de Madrid. Obtenido de Introducción a las Redes Bayesianas: https://repositorio.uam.es/bitstream/handle/10486/12527/60689_Reguero_Alvarez_Jaime.pdf?sequence=1	spa
dcterms.references	Arimetrics. (12 de 11 de 2020). https://www.arimetrics.com/glosario-digital/modelo-predictivo. Obtenido de https://www.arimetrics.com/glosario-digital/modelo-predictivo: https://www.arimetrics.com/glosario-digital/modelo-predictivo	spa
dcterms.references	Asco, A. S. (10 de 2018). Cancer.Net. Obtenido de Cancer.Net: https://www.cancer.net/es/tipos-de-c%C3%A1ncer/c%C3%A1ncer-de-mama/s%C3%ADntomas-y-signos	spa
dcterms.references	Banafa, A. (07 de 08 de 2016). OpenMind BBVA. Obtenido de OpenMind BBVA: https://www.bbvaopenmind.com/tecnologia/mundo-digital/que-es-el-aprendijaze-profundo/#:~:text=Siendo%20una%20subcategor%C3%ADa%20del%20aprendizaje,el%20procesamiento%20del%20lenguaje%20natural	spa
dcterms.references	Barbara Kitchenham, S. C. (2 de 04 de 2007). scienceopen.com. Obtenido de scienceopen.com: https://www.scienceopen.com/hosted-document?doi=10.14236/ewic/EASE2007.7	spa
dcterms.references	Bracero, F. (01 de 04 de 2020). lavanguardia. Obtenido de Una IA de Google promete detectar el cáncer de mama mejor que los médicos: https://www.lavanguardia.com/vida/20200104/472683337686/pruebas-cancer-mama-inteligencia-artificial-estudio-google.html	spa
dcterms.references	Calvo, D. (20 de 07 de 2017). Red Neuronal Convolucional CNN. Obtenido de Red Neuronal Convolucional CNN: https://www.diegocalvo.es/red-neuronal-convolucional/	spa
dcterms.references	Calvo, D. (09 de 12 de 2018). Red Neuronal Recurrente – RNN. Obtenido de Red Neuronal Recurrente – RNN: https://www.diegocalvo.es/red-neuronal-recurrente/	spa
dcterms.references	Cancerología, I. N. (07 de 2012). Instituto Nacional de Cancerología . Obtenido de Instituto Nacional de Cancerología : https://www.cancer.gov.co/files/libros/archivos/95685f345e64aa9f0fece8a589b5acc3_BOLETIN%20HECHOS%20Y%20ACCIONES%20MAMA.PD	spa
dcterms.references	Carrizo, D., & Moller, C. (2018). SCIELO. Obtenido de SCIELO: https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0718-33052018000500045	spa
dcterms.references	Castelló, X. B. (2016). Universitat de Barcelona. Obtenido de Introducción del CAD en un Programa de Detección Precoz de Cáncer de Mama: http://diposit.ub.edu/dspace/bitstream/2445/126209/1/XBC_TESIS.pdf	spa
dcterms.references	Castrillón, O. D., Castaño, E., & Castillo, L. F. (03 de 08 de 2017). Scielo. Obtenido de Sistema Predictivo Bayesiano para Detección del Cáncer de Mama: Análisis Crítico de las Técnicas de Inteligencia Artificial más Utilizadas en la Predicción del Cáncer de Mama a partir de Mamografías Tecnológico de Antioquia – Institución Universitaria Página 58 https://scielo.conicyt.cl/scielo.php?pid=S0718-07642018000300257&script=sci_arttext&tlng=en	spa
dcterms.references	Ceja, A. (09 de 06 de 2020). Neoland. Obtenido de Machine Learning vs Deep Learning: https://www.neoland.es/blog/machine-learning-vs-deep-learning	spa
dcterms.references	Claudia Asenjo-Lobos, C. M. (18 de 06 de 2014). Scielo. Obtenido de Análisis Crítico de la Literatura: https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0717-95022014000300	spa
dcterms.references	Colombia, C. d. (19 de 04 de 2010). Instituto Nacional de Salud. Obtenido de Instituto Nacional de Salud: https://www.ins.gov.co/Normatividad/Leyes/LEY%201384%20DE%202010.pdf	spa
dcterms.references	Colombia, C. d. (19 de 01 de 2011). Minsalud. Obtenido de Minsalud: https://www.minsalud.gov.co/Normatividad_Nuevo/LEY%201438%20DE%202011.pdf	spa
dcterms.references	Conner-Simons, A. (16 de 10 de 2017). MIT News. Obtenido de MIT News: http://news.mit.edu/2017/artificial-intelligence-early-breast-cancer-detection-1017	spa
dcterms.references	Cornieles, P. (11 de 12 de 2018). IALATAM. Obtenido de Tres Aplicaciones de la Inteligencia Artificial en la Salud: https://ia-latam.com/2018/12/11/3-aplicaciones-de-la-inteligencia-artificial-en-la-salud/	spa
dcterms.references	Cyntia Lisbeth Gamarra Condo, Y. V. (03 de 2019). Repositorio Autónoma. Obtenido de Autónoma Universidad Autónoma del Perú: http://repositorio.autonoma.edu.pe/bitstream/AUTONOMA/954/3/Gamarra%20Condo%20y%20Santos%20Melo.pdf	spa
dcterms.references	Digital, M. (28 de 06 de 2019). Milenio. Obtenido de MIT desarrolla modelo para predecir cáncer de mama 5 años antes de que se presente: https://www.milenio.com/ciencia-y-salud/cancer-mama-tecnica-predice-enfermedad-5-anos-presentarse	spa
dcterms.references	Dr. José Luis Herrera Salazar, G. C. (03 de 2019). Repositorio de la Universidad Autónoma del Perú. Obtenido de Autónoma Universidad Autónoma del Perú: http://repositorio.autonoma.edu.pe/handle/AUTONOMA/954	spa
dcterms.references	Edgar Serna M, A. S. (09 de 2017). ResearchGate. Obtenido de Principios y características de las redes neuronales artificiales: https://www.researchgate.net/publication/331498946_Principios_y_caracteristicas_de_las_redes_neuronales_artificiales	spa
dcterms.references	El Universal de México. (06 de Septiembre de 2015). IPN ayuda a detectar el cáncer de mama. Ciencia y salud, pág. 12.	spa
dcterms.references	Enfermedades, C. C. (11 de 09 de 2018). CDC Centro para el Control y la Prevención de Enfermedades. Obtenido de CDC Centro para el Control y la Prevención de Enfermedades: https://www.cdc.gov/spanish/cancer/breast/basic_info/what-is-breast-cancer.htm	spa
dcterms.references	Enterprise, H. P. (2020). Hewlett Packard Enterprise. Obtenido de Hewlett Packard Enterprise: https://www.hpe.com/lamerica/es/what-is/machine-learning.html#:~:text=El%20aprendizaje%20autom%C3%A1tico%20se%20refiere,sido%20programados%20espec%C3%ADficamente%20para%20ello.	spa
dcterms.references	Esquirol, G. O. (2015). Futuro de la enseñanza médica: inteligencia artificial y big data. Obtenido de Scielo: http://scielo.isciii.es/pdf/fem/v18s1/09_comunicacion-ganadora.pdf	spa
dcterms.references	Gea, J. M. (09 de 2009). Researchgate Net. Obtenido de Universidad de Murcia: https://www.researchgate.net/publication/325645025_Herramienta_para_la_Deteccion_Automatica_de_Patologias_en_Radiografias_de_Torax_usando_Vision_por_Computador	spa
dcterms.references	Gonzalo, Á. (10 de 05 de 2018). Machine Learning Para Todos. Obtenido de Machine Learning Para Todos: https://machinelearningparatodos.com/problemas-comunes-en-aprendizaje-automatico/	spa
dcterms.references	Goya, C. (06 de 2019). Business Insider. Obtenido de Investigadores del MIT crean una IA que puede predecir el riesgo de padecer cáncer de mama con 5 años de antelación: https://www.businessinsider.es/mit-ha-creado-ia-podria-predecir-casos-cancer-mama-442713	spa
dcterms.references	Heras, J. M. (19 de 09 de 2020). IA Artificial. Obtenido de IA Artificial: https://www.iartificial.net/fases-del-proceso-de-machine-learning/	spa
dcterms.references	https://developers.google.com/. (12 de Noviembre de 2020). https://developers.google.com/machine-learning/crash-course/classification/true-false-positive-negative?hl=es-419. Obtenido de https://developers.google.com/machine-learning/crash-course/classification/true-false-positive-negative?hl=es-419: https://developers.google.com/machine-learning/crash-course/classification/true-false-positive-negative?hl=es-419	spa
dcterms.references	Ingino, C. (10 de 2019). Innovación e Inteligencia Artificial en Medicina . Obtenido de Innovación e Inteligencia Artificial en Medicina : https://philpapers.org/archive/INGIEI-2.pdf	spa
dcterms.references	Ingino, E. B. (10 de 2019). Innovación e Inteligencia Artificial en Medicina. Obtenido de Philpapers.: https://philpapers.org/archive/INGIEI-2.pdf	spa
dcterms.references	Instituto Nacional de Cancerología . (07 de 2012). Instituto Nacional de Cancerología . Obtenido de Instituto Nacional de Cancerología : https://www.cancer.gov.co/files/libros/archivos/95685f345e64aa9f0fece8a589b5acc3_BOLETIN%20HECHOS%20Y%20ACCIONES%20MAMA.PDF	spa
dcterms.references	Juarez, G. (24 de 05 de 2017). Nexolution. Obtenido de Cómo funciona el aprendizaje automático (machine learning): http://www.nexolution.com/como-funciona-el-aprendizaje-automatico-machine-learning/	spa
dcterms.references	Julián Pérez Porto, M. M. (12 de Noviembre de 2020). https://definicion.de/sensibilidad/. Obtenido de https://definicion.de/sensibilidad/: https://definicion.de/sensibilidad/	spa
dcterms.references	Kai Petersen, R. F. (06 de 2008). Systematic Mapping Studies in Software Engineering. Obtenido de Systematic Mapping Studies in Software Engineering: https://www.researchgate.net/publication/228350426_Systematic_Mapping_Studies_in_Software_Engineering	spa
dcterms.references	Kai Petersen, R. F. (06 de 2008). The Systematic Mapping Process. Obtenido de https://www.researchgate.net/publication/228350426_Systematic_Mapping_Studies_in_Software_Engineering	spa
dcterms.references	Kuiava, V. A., Kuiava, E. L., Rodríguez, R., Beck, A. E., Rodríguez, J. P., & Chielle, E. O. (20 de 12 de 2019). JBPML Brazilian Journal of Pathology and Laboratory Medicine. Obtenido de Método de diagnóstico histopatológico de los nódulos mamarios mediante el algoritmo de aprendizaje profundo: http://www.jbpml.org.br/detalhes/539/metodo-de-diagnostico-histopatologico-de-nodulos-mamarios-por-meio-do-algoritmo-de-aprendizagem-profunda	spa
dcterms.references	Lozano, M. R. (02 de 2011). Universidad del Rosario. Obtenido de El Papel de las Redes Bayesianas en la Toma de Decisiones: https://www.urosario.edu.co/Administracion/documentos/investigacion/laboratorio/miller_2_3.pdf	spa
dcterms.references	Maestre, M. L. (2019). Estudio del uso de Redes Neuronales Artificiales como herramienta para detectar el cáncer de ano. Obtenido de Estudio del uso de Redes Neuronales Artificiales como herramienta para detectar el cáncer de ano: https://idus.us.es/bitstream/handle/11441/94475/TFG-2726-LAZO%20MAESTRE.pdf?sequence=1&isAllowed=y	spa
dcterms.references	Matich, D. J. (03 de 2001). Universidad Tecnológica Nacional – Facultad Regional Rosario . Obtenido de Redes Neuronales: Conceptos Básicos y Aplicaciones: https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/monograias/matich-redesneuronales.pdf	spa
dcterms.references	Mayer McKinney, S., Marcin T. , S., Godbole, V., & Godwin, J. (01 de Enero de 2020). International evaluation of an AI system for breast cancer screening. Obtenido de https://www.nature.com/articles/s41586-019-1799-6	spa
dcterms.references	MindOpen, B. (04 de 2018). OpenMind BBVA. Obtenido de El impacto de la Inteligencia Artificial en la asistencia sanitaria: https://www.bbvaopenmind.com/tecnologia/mundo-digital/el-impacto-de-la-inteligencia-artificial-en-la-asistencia-sanitaria/	spa
dcterms.references	Omar D. Castrillón, E. C. (03 de 08 de 2017). Scielo. Obtenido de Sistema Predictivo Bayesiano para Detección del Cáncer de Mama: https://scielo.conicyt.cl/scielo.php?pid=S0718-07642018000300257&script=sci_arttext&tlng=en	spa
dcterms.references	Organization, W. H. (2018). World Health Organization - WHO. Obtenido de World Health Organization: https://www.who.int/topics/cancer/breastcancer/es/index1.html	spa
dcterms.references	Ortega, L. C. (18 de 12 de 2003). Catarina. Obtenido de Catarina : http://catarina.udlap.mx/u_dl_a/tales/documentos/lis/contreras_o_l/capitulo2.pdf	spa
dcterms.references	Ortiz, H. (19 de 10 de 2018). El Tiempo. Obtenido de Aumentan casos de mujeres jóvenes con cáncer de seno en Antioquia: https://www.eltiempo.com/colombia/medellin/cada-vez-hay-mas-mujeres-jovenes-diagnosticadas-con-cancer-de-seno-en-antioquia-282972	spa
dcterms.references	PFS Tech. (27 de Diciembre de 2018). https://pfstech.es/fases-para-construir-un-modelo-predictivo-de-ia/. Obtenido de https://pfstech.es/fases-para-construir-un-modelo-predictivo-de-ia/: https://pfstech.es/fases-para-construir-un-modelo-predictivo-de-ia/	spa
dcterms.references	Reyes, L. (2014). Inteligencia artificial para asistir el diagnóstico clínico en medicina. Revista Alergia México, 110-112.	spa
dcterms.references	Robles Fajardo, J. B. (03 de 06 de 2020). Universidad Distrital Franciso José de Caldas. Obtenido de Repositorio Institucional Universidad Distrital: http://repository.udistrital.edu.co/handle/11349/25070	spa
dcterms.references	Robles, S. C., & Galanis, E. (2 de 12 de 2002). Revista Panamericana de Salud Pública. Obtenido de Scielo Salud Pública: https://scielosp.org/pdf/rpsp/v12n2/11622.pdf	spa
dcterms.references	Rodríguez, L. (12 de Noviembre de 2020). https://lizardorodriguez.wordpress.com/unidad-2/clasificacion-de-problemas/. Obtenido de https://lizardorodriguez.wordpress.com/unidad-2/clasificacion-de-problemas/: https://lizardorodriguez.wordpress.com/unidad-2/clasificacion-de-problemas/	spa
dcterms.references	Romero Bersoza, M. A. (17 de 03 de 2017). Implementación de dos arquitecturas de redes neuronales para la clasificación de cáncer de mamas. Obtenido de Implementación de dos arquitecturas de redes neuronales para la clasificación de cáncer de mamas: http://192.188.52.94/bitstream/3317/7801/1/T-UCSG-PRE-TEC-ITEL-197.pdf	spa
dcterms.references	Ruiz, F. E. (2003). Inteligencia Artificial Modelos, Técnicas y Áreas de Aplicación. En F. E. Ruiz, Inteligencia Artificial Modelos, Técnicas y Áreas de Aplicación. España: Thomson.	spa
dcterms.references	Russell, S. J. (1995). Artificial Intelligence A Modern Approach. Obtenido de Artificial Intelligence A Modern Approach: https://people.eecs.berkeley.edu/~russell/intro.html	spa
dcterms.references	Salcedo, L. O., Guerrero Zuñiga, A. P., & Delvasto Arjona, S. (12 de 2012). Cuaderno ACTIVA. Obtenido de Cuaderno ACTIVA: https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/33/30	spa
dcterms.references	Salud CCM. (12 de Noviembre de 2020). https://salud.ccm.net/faq/17713-sensibilidad-y-especificidad-definicion. Obtenido de https://salud.ccm.net/faq/17713-sensibilidad-y-especificidad-definicion: https://salud.ccm.net/faq/17713-sensibilidad-y-especificidad-definicion	spa
dcterms.references	Saura, J. R., Reyes-Menendez, A., & Palos-Sánchez, P. (01 de 06 de 2018). Revista Espacios. Obtenido de Revista Espacios: http://www.revistaespacios.com/a18v39n42/18394216.html	spa
dcterms.references	Significados. (12 de Noviembre de 2020). https://www.significados.com/exactitud/. Obtenido de https://www.significados.com/exactitud/: https://www.significados.com/exactitud/	spa
dcterms.references	SmartPanel. (10 de 04 de 2018). SmartPanel. Obtenido de SmartPanel: https://www.smartpanel.com/que-es-deep-learning	spa
dcterms.references	SmartPanel. (10 de 04 de 2018). SmartPanel. Obtenido de Que es el Deep Learning: https://www.smartpanel.com/que-es-deep-learning/	spa
dcterms.references	Social, M. d. (29 de 12 de 2012). Ministerio de Salud y Protección Social. Obtenido de Ministerio de Salud y Protección Social: https://www.minsalud.gov.co/Normatividad_Nuevo/Resoluci%C3%B3n%204496%20de%202012.pdf	spa
dcterms.references	Sucar, L. E. (2015). ccc.inaoep.mx. Obtenido de Redes Bayesianas: https://ccc.inaoep.mx/~esucar/Clases-mgp/caprb.pdf	spa
dcterms.references	Takeyas, B. L. (2007). Instituto Tecnológico de Nuevo Laredo. Obtenido de Instituto Tecnológico de Nuevo Laredo: http://www.itnuevolaredo.edu.mx/takeyas/Articulos/Inteligencia%20Artificial/ARTICULO%20Introduccion%20a%20la%20Inteligencia%20Artificial.pdf	spa
dcterms.references	Vanguardia, L. (27 de 06 de 2018). La Vanguardia. Obtenido de https://www.lavanguardia.com/historiayvida/historia-contemporanea/20180611/47312986353/que-aporto-a-la-ciencia-alan-turing.html#:~:text=Lo%20computable%20era%20todo%20aquello,es%20decir%2C%20sin%20soluci%C3%B3n%20algor%C3%ADtmica	spa
dcterms.references	Villanueva, L. M. (17 de 07 de 2018). Universidad Nacional de Colombia - UN Periódico Diigtal . Obtenido de Universidad Nacional de Colombia - UN Periódico Diigtal : https://unperiodico.unal.edu.co/pages/detail/inteligencia-artificial-reduce-tiempo-para-diagnosticar-cancer-de-seno/	spa
dcterms.references	World Health Organization. (Octubre de 2013). World Health Organization, International Agency for Research on Cancer. Obtenido de OPS: https://www.paho.org/hq/index.php?option=com_content&view=article&id=5041:2011-breast-cancer&Itemid=3639&lang=es	spa
dcterms.references	Yu., L. D. (2014). sci2s. Obtenido de Universidad de Granada: https://sci2s.ugr.es/sites/default/files/files/Teaching/GraduatesCourses/SIGE/Tema06-Deep-learning.pdf	spa
dc.publisher.faculty	Facultad de Ingeniería	spa
dc.publisher.program	Ingenieria de Software	spa
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Ingeniero(a) de Software	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	spa
dc.rights.creativecommons	Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)	spa
dc.subject.lemb	Inteligencia artificial
dc.subject.lemb	Cáncer
dc.subject.lemb	Mamas
dc.subject.lemb	Aprendizaje automático (Inteligencia artificial)
dc.subject.lemb	Mamografía
dc.subject.proposal	Aprendizaje profundo	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f	spa
dc.type.content	Text	spa
dc.type.driver	info:eu-repo/semantics/bachelorThesis	spa
dc.type.redcol	https://purl.org/redcol/resource_type/TP	spa
dc.type.version	info:eu-repo/semantics/publishedVersion	spa
oaire.accessrights	http://purl.org/coar/access_right/c_abf2	spa
oaire.version	http://purl.org/coar/version/c_ab4af688f83e57aa	spa