Análisis del cáncer gástrico mediante inteligencia artificial: Un enfoque innovador en la investigación oncológica.
Barra lateral del artículo
Contenido principal del artículo
Resumen
El cáncer gástrico (CG) representa una de las principales causas de mortalidad a nivel mundial, dificultando su diagnóstico oportuno por depender de técnicas invasivas y análisis manuales. Este estudio propone un aplicativo web basado en inteligencia artificial, empleando redes neuronales convolucionales para la detección automática de anomalías en imágenes endoscópicas.
El desarrollo se estructuró en cuatro fases: recopilación de datos, preprocesamiento, implementación del modelo y evaluación del sistema. El algoritmo alcanzó una precisión del 97.4% y un tiempo de análisis de 0.10 segundos por imagen, superando los umbrales esperados en entornos clínicos.
El sistema mostró ser eficaz, rápido y accesible para profesionales de la salud, incluso en contextos con recursos limitados. La interfaz gráfica amigable y la base de datos centralizada facilitaron su integración en la práctica médica.
Este trabajo demuestra el potencial del uso de redes neuronales profundas para apoyar el diagnóstico precoz del cáncer gástrico. Como futuro desarrollo se plantea validar el sistema en ambientes hospitalarios reales y explorar otras arquitecturas de aprendizaje profundo para mejorar el rendimiento.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Citas
R. Jinushi, “Efficacy for diagnoses of scirrhous gastric cancer and safety of endoscopic ultrasound‐guided fine‐needle aspiration: A systematic review and meta‐analysis,” JGH Open, vol. 7, no. 6, pp. 403,.
M. Vega, L. Mora, and M. Badilla, “Inteligencia artificial y aprendizaje automático en medicina,” Revista MedicaSinergia, vol. 5, no. 8, pp. 557,.
M. Gonzáles, “Aplicación de la inteligencia artificial para la detección del cáncer de mama,” Revista Médica Sinergia, vol. 08, online]. Available:. [Online]. Available: https://revistamedicasinergia.com/index.php/rms/article/view/1113/2350
A. Vega and I. Vera, “Anatomía patológica, citodiagnóstico e inteligencia artificial: análisis de desafíos y beneficios,” Revista Ocronos.
P. Karimi, F. Islami, S. Anandasabapathy, N. Freedman, and F. Kamangar, “Gastric cancer: Descriptive epidemiology, risk factors, screening, and prevention,” Cancer Epidemiol Biomarkers Prev, vol. 23, no. 5, pp. 700,.
A. Cruz, “Generalidades del cáncer gástrico,” Revista médica de Costa Rica y Centroamérica, vol. 70, online]. Available:. [Online]. Available: https://www.medigraphic.com/cgi-bin/new/resumen.cgi?IDARTICULO=43998
F. Bray, “Global cancer statistics 2022: Globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries,” CA Cancer J Clin, vol. 74, no. 3, pp. 229–263,.
D. Olivera, “Diagnóstico de cáncer mediante inteligencia artificial,” Jun, vol. 10, online]. Available:. [Online]. Available: https://buleria.unileon.es/handle/10612/18360
G. Chacón, “Paradigmas de inteligencia artificial aplicados en imágenes para la detección de cáncer gástrico,” in La investigación social: comprendiendo fenómenos en contexto, U. Bolívar., A. Aguilar, and Y. Hernández, Eds., Barranquilla, p. 103–127.
M. Langarano, “Implementación de un sistema web para la interpretación, procesamiento y visualización de imágenes dicom en el hospital guayaquil,” online]. Available:. [Online]. Available: http://dspace.ups.edu.ec/handle/123456789/16507
A. John and D. Meva, “A comparative study of various object detection algorithms and performance analysis,” International Journal of Computer Sciences and Engineering Open Access Research Paper, vol. 8, no. 10.
J. Redmon and A. Farhadi, “Yolov3: An incremental improvement,” Apr, online]. Available:. [Online]. Available: https://arxiv.org/pdf/1804.02767
A. Sharma, “Dermatologist-level classification of skin cancer using cascaded ensembling of convolutional neural network and handcrafted features based deep neural network,” IEEE Access, vol. 10, pp. 17 920–17 932,.
M. Tan and Q. Le, “Efficientnet: Rethinking model scaling for convolutional neural networks,” in 36th International Conference on Machine Learning, ICML, vol. 2019-June, pp. 10 691–10 700„ online]. Available:. [Online]. Available: https://arxiv.org/pdf/1905.11946
J. AlSamhori, “Artificial intelligence for breast cancer: Implications for diagnosis and management,” Journal of Medicine, Surgery, and Public Health, vol. 3, pp. 100 120,.
E. Criollo, “Comparativa de redes de aprendizaje profundo empleando transfer learning para detección de cáncer de mama en el corpus cbis-ddsm,” online]. Available:. [Online]. Available: http://dspace.ups.edu.ec/handle/123456789/28664
S. O. Ortega, “Aproximación al uso de interfaz gráfica en la operatividad de agentes inteligentes con imágenes médicas,” Accessed: Jun, vol. 38, pp. 109–115„ online]. Available:. [Online]. Available: http://saber.ucv.ve/ojs/index.php/rev_aavft/article/view/16449
J. Espitia, “Desarrollo de una aplicación móvil para el diagnóstico y tratamiento de la infección por h. pylori para profesionales de la salud,” Universidad Nacional de Colombia, Bogotá, accessed: Jun. 28, 2024. [Online]. Available:. [Online]. Available: https://repositorio.unal.edu.co/handle/unal/80648?show=full
J. Esteban, P. Arias, J. Sebastián, and R. Zapata, “Sistema web ia para detección y seguimiento del cáncer de mama,” Tecnológico de Antoquia, Medellín, accessed: Dec. 18, 2024. [Online]. Available:. [Online]. Available: https://repositorio.tdea.edu.co/handle/tdea/5638
H. Ding, “Segstrong-c: Segmenting surgical tools robustly on non-adversarial generated corruptions – an endovis’24 challenge,” Jul, online]. Available:. [Online]. Available: https://arxiv.org/abs/2407.11906v1
J. G. D. M. G. D. M. E. R. M. Anatomopatólogo, “Atlas de imÁgenes endoscÓpicas. fice.”
“El atlas gastrointestinal - gastrointestinalatlas.com,” Accessed: Jan, vol. 22, online]. Available:. [Online]. Available: https://www.gastrointestinalatlas.com/espanol/espanol.html