Identificación automática de cáncer de piel aplicando machine learning

Anderson Smith Florez Fuentes; Rafael Guzmán Cabrera; Everardo Vargas Rodriguez

doi:10.24054/rcta.v2i40.2350

Autores/as

Anderson Smith Florez Fuentes Universidad de Guanajuato https://orcid.org/0000-0001-6176-1071
Rafael Guzmán Cabrera Universidad de Guanajuato https://orcid.org/0000-0002-9320-7021
Everardo Vargas Rodriguez Universidad de Guanajuato https://orcid.org/0000-0001-5480-3384

DOI:

https://doi.org/10.24054/rcta.v2i40.2350

Palabras clave:

Cáncer de piel, Machine learning, procesamiento, data

Resumen

En la actualidad la implementación del machine learning en la medicina, especial en la oncología, se ha convertido en una herramienta clave para la detección de malformaciones, infecciones, problemas cardiacos, cáncer, entre otros, anomalías del cuerpo humano qué al aplicar aprendizaje automático, estos procesos se convierten en herramientas que fortalecen el diagnóstico médico. En este trabajo se presenta una revisión de la literatura y los resultados obtenidos de una implementación en Python para llevar a cabo la clasificación de imágenes médicas con presencia de cáncer de piel. Se utilizaron cuatro métodos de aprendizaje distintos: máquinas de vectores de soporte, vecinos más cercanos, redes neuronales y árboles de decisión. Se utilizó la base de datos HAM10000, la cual contiene imágenes médicas manualmente etiquetadas, lo que asegura que el proceso de entrenamiento sea efectivo. En la implementación de una muestra balanceada, la que permite demostrar la eficiencia de la implementación realizada en la identificación del cáncer de piel, esta implementación tiene una gran variabilidad en los resultados, alcanzando valores cercanos al 100% de precisión en algunos casos.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Abdul Hamid, D. S. Bin, Goyal, S. B., & Bedi, P. (2021). Integration of Deep Learning for Improved Diagnosis of Depression using EEG and Facial Features. Materials Today: Proceedings. https://doi.org/10.1016/J.MATPR.2021.05.659

Al-masni, M. A., Kim, D., & Kim, T. (2020). Computer Methods and Programs in Biomedicine Multiple skin lesions diagnostics via integrated deep convolutional networks for segmentation and classification. Computer Methods and Programs in Biomedicine, 190, 105351. https://doi.org/10.1016/j.cmpb.2020.105351

Daneshjou, R., He, B., Ouyang, D., & Zou, J. Y. (2021). How to evaluate deep learning for cancer diagnostics – factors and recommendations. Biochimica et Biophysica Acta (BBA) - Reviews on Cancer, 1875(2), 188515. https://doi.org/10.1016/J.BBCAN.2021.188515

Deng, L., & Yu, D. (2019). Deep Learning Methods and Applications. SpringerBriefs in Computer Science, 31–42. https://doi.org/10.1007/978-981-13-3459-7_3

Dorado-Díaz, P. I., Sampedro-Gómez, J., Vicente-Palacios, V., & Sánchez, P. L. (2019). Applications of Artificial Intelligence in Cardiology. The Future is Already Here. In Revista Espanola de Cardiologia (Vol. 72, Issue 12, pp. 1065–1075). Elsevier Doyma. https://doi.org/10.1016/j.recesp.2019.05.016

Fontecha Pardo, N. A., Quiroga Sarmiento, J. S., nicolas.fontechap@campusucc.edu.co, & juan.quirogas@campusucc.edu.co. (2020). Implementación de algoritmos de inteligencia artificial enfocados en el análisis de los trastornos del estado de ánimo para prevenir futuros suicidios por medio de la red social Facebook. Aprendeia. (22 de 11 de 2020). Obtenido de https://Aprendeia.Com/Naive-Bayes-Teoria-Machine-Learning/.

Garay, N., Abascal, J., & Gardeazabal, L. (2002). Mediación emocional aplicada en sistemas de comunicación aumentativa y alternativa. Inteligencia Artificial, 6(16). https://doi.org/10.4114/ia.v6i16.743

Gómez Rivas, J., Toribio Vázquez, C., Ballesteros Ruiz, C., Taratkin, M., Marenco, J. L., Cacciamani, G. E., Checcucci, E., Okhunov, Z., Enikeev, D., Esperto, F., Grossmann, R., Somani, B., & Veneziano, D. (2021). Inteligencia artificial y simulación en urología. Actas Urológicas Españolas. https://doi.org/10.1016/J.ACURO.2020.10.012

Hekler, A., Utikal, J. S., Enk, A. H., Hauschild, A., Weichenthal, M., Maron, R. C., Berking, C., Haferkamp, S., Klode, J., Schadendorf, D., Schilling, B., Holland-Letz, T., Izar, B., von Kalle, C., Fröhling, S., Brinker, T. J., Schmitt, L., Peitsch, W. K., Hoffmann, F., … Thiem, A. (2019). Superior skin cancer classification by the combination of human and artificial intelligence. European Journal of Cancer, 120, 114–121. https://doi.org/10.1016/J.EJCA.2019.07.019

Hernández, J. C. (2020). PROBLEMAS ÉTICO-JURÍDICOS DE LAS DECISIONES ALGORÍTMICAS Y EL BIG DATA * Joslay Polanco Medina.

Jofre, M., & Abeldaño, A. (2021). Artificial intelligence: Will replace the dermatologist making diagnoses? Piel, 36(5), 331–335. https://doi.org/10.1016/j.piel.2020.06.003

Koh, J., Yoon, Y., Kim, S., Han, K., & Kim, E. K. (2021). Deep Learning for the Detection of Breast Cancers on Chest Computed Tomography. Clinical Breast Cancer. https://doi.org/10.1016/J.CLBC.2021.04.015

Krishna Monika, M., Arun Vignesh, N., Usha Kumari, C., Kumar, M. N. V. S. S., & Laxmi Lydia, E. (2020). Skin cancer detection and classification using machine learning. Materials Today: Proceedings, 33, 4266–4270. https://doi.org/10.1016/J.MATPR.2020.07.366

Leiva Vazquez, M., Gonzalez Benitez, N., Hechavarria Hernandez, J., Rivero Peña, Y., & Daher Nader, J. E. (2018). El diagnóstico de enfermedades desde el Análisis Inteligente de los Datos.

Maisueche Cuadrado, A. (2019). Utilización Del Machine Learning En La Industria 4.0.

McClendon, L., & Meghanathan, N. (2015). Using Machine Learning Algorithms to Analyze Crime Data. Machine Learning and Applications: An International Journal, 2(1), 1–12. https://doi.org/10.5121/mlaij.2015.2101

Mitchel, T. M. (2017). Machine Learning. In Proceedings of the International Conference on Document Analysis and Recognition, ICDAR. https://doi.org/10.1109/ICDAR.2019.00014

Organización Mundial de La Salud, O. (2021). Cáncer. WHO.

P, T., C, R., & H, K. (2018). The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions. Scientific Data, 5. https://doi.org/10.1038/SDATA.2018.161

Russel, S., & Norvig, P. (2010). Artificial intelligence, A Modern Approach. In 2010 The 2nd International Conference on Computer and Automation Engineering, ICCAE 2010 (Vol. 4). https://doi.org/10.1109/ICCAE.2010.5451578

Saravanan, S., Heshma, B., Shanofer, A. V. A., & Vanithamani, R. (2020). Skin cancer detection using dermoscope images. Materials Today: Proceedings, xxxx. https://doi.org/10.1016/j.matpr.2020.08.388

Yan, T., Zhang, L., & Peng, C. (2019). Intelligent skin cancer diagnosis using improved particle swarm optimization and deep learning models. Applied Soft Computing Journal, 84, 105725. https://doi.org/10.1016/j.asoc.2019.105725

Yin, S., Peng, Q., Li, H., Zhang, Z., You, X., Fischer, K., Furth, S. L., Fan, Y., & Tasian, G. E. (2020). Multi-instance Deep Learning of Ultrasound Imaging Data for Pattern Classification of Congenital Abnormalities of the Kidney and Urinary Tract in Children. Urology, 142, 183–189. https://doi.org/10.1016/J.UROLOGY.2020.05.019