Você está na página 1de 43

UNIVERSIDAD NACIONAL DE TRUJILLO

FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS


ESCUELA ACADMICO PROFESIONAL DE INFORMTICA

PROGRAMA LOGICO Y RED NEURONAL PARA LA


DETECCION DE CANCER DE PIEL EN EL INSTITUTO
REGIONAL DE NEOPLASICAS (IREN) - TRUJILLO

Informe de Trabajo de Graduacin

Alumnos: Mercado Lizrraga Antonio

Minchon Bentez Flix Eduardo

Rojas Sigenza Josu Spencer

Rondo Nontol Eder Adumin

Docente: Ing. Jorge Bravo Escalante

Trujillo, 2017
ndice
ndice de Tablas .................................................................................................................................. 6
ndice de Figuras ................................................................................................................................. 6
I. Realidad Problemtica................................................................................................................. 1
II. Formulacin del Problema. ......................................................................................................... 2
III. Objetivos. ................................................................................................................................ 2
3.1. Objetivo General ................................................................................................................. 2
3.2. Objetivos Especficos .......................................................................................................... 2
IV. Justificaciones. ........................................................................................................................ 3
4.1. Justificacin Econmica ...................................................................................................... 3
4.2. Justificacin Temporal ........................................................................................................ 3
4.3. Justificacin Social .............................................................................................................. 3
4.4. Justificacin Tecnolgica .................................................................................................... 3
V. Antecedentes. .............................................................................................................................. 4
5.1. Primer Antecedente ............................................................................................................. 4
Ttulo ........................................................................................................................................... 4
Institucin .................................................................................................................................... 4
Autores ........................................................................................................................................ 4
Ao .............................................................................................................................................. 4
Resumen ...................................................................................................................................... 4
Aporte.......................................................................................................................................... 5
5.2. Segundo Antecedente .......................................................................................................... 5
Ttulo ........................................................................................................................................... 5
Institucin .................................................................................................................................... 5
Autores ........................................................................................................................................ 5
Ao .............................................................................................................................................. 5
Resumen ...................................................................................................................................... 5
Aporte.......................................................................................................................................... 6
5.3. Tercer Antecedente ............................................................................................................. 6
Ttulo ........................................................................................................................................... 6
Institucin .................................................................................................................................... 6
Autores ........................................................................................................................................ 6
Ao .............................................................................................................................................. 6
Resumen ...................................................................................................................................... 6
Aporte.......................................................................................................................................... 7
5.4. Cuarto Antecedente ............................................................................................................. 7
Ttulo ........................................................................................................................................... 7
Institucin .................................................................................................................................... 7
Autores ........................................................................................................................................ 7
Ao .............................................................................................................................................. 7
Resumen ...................................................................................................................................... 7
Aporte.......................................................................................................................................... 7
5.5. Quinto Antecedente ............................................................................................................. 7
Ttulo ........................................................................................................................................... 7
Institucin .................................................................................................................................... 7
Autores ........................................................................................................................................ 7
Ao .............................................................................................................................................. 7
Resumen ...................................................................................................................................... 8
Aporte.......................................................................................................................................... 8
5.6. Sexto Antecedente ............................................................................................................... 8
Ttulo ........................................................................................................................................... 8
Institucin .................................................................................................................................... 8
Autores ........................................................................................................................................ 8
Ao .............................................................................................................................................. 8
Resumen ...................................................................................................................................... 8
Aporte.......................................................................................................................................... 9
5.7. Sptimo Antecedente........................................................................................................... 9
Ttulo ........................................................................................................................................... 9
Institucin .................................................................................................................................... 9
Autores ........................................................................................................................................ 9
Ao .............................................................................................................................................. 9
Resumen ...................................................................................................................................... 9
Aporte........................................................................................................................................ 10
5.8. Octavo Antecedente .......................................................................................................... 10
Ttulo ......................................................................................................................................... 10
Institucin .................................................................................................................................. 10
Autores ...................................................................................................................................... 10
Ao ............................................................................................................................................ 10
Resumen .................................................................................................................................... 10
Aporte........................................................................................................................................ 11
5.9. Noveno Antecedente ......................................................................................................... 11
Ttulo ......................................................................................................................................... 11
Institucin .................................................................................................................................. 11
Autores ...................................................................................................................................... 11
Ao ............................................................................................................................................ 11
Resumen .................................................................................................................................... 11
Aporte........................................................................................................................................ 11
5.10. Decimo Antecedente ..................................................................................................... 11
Ttulo ......................................................................................................................................... 11
Institucin .................................................................................................................................. 11
Autores ...................................................................................................................................... 12
Ao ............................................................................................................................................ 12
Resumen .................................................................................................................................... 12
Aporte........................................................................................................................................ 12
VI. MARCO REFERENCIAL .................................................................................................... 13
6.1. MARCO TEORICO .......................................................................................................... 13
6.1.1. INTELIGENCIA ARTIFICIAL ................................................................................ 13
6.1.2. REDES NEURONALES ARTIFICIALES ............................................................... 15
6.1.3. SISTEMAS EXPERTOS .......................................................................................... 21
6.1.4. SISTEMA BASADO EN CONOCIMIENTOS ........................................................ 22
6.1.5. LOGICA .................................................................................................................... 22
6.2. MARCO CONCEPTUAL ................................................................................................. 23
6.2.1. MELANOMA ........................................................................................................... 23
6.2.2. LUNARES ................................................................................................................ 27
6.2.3. CANCER DE PIEL ................................................................................................... 29
VII. BIBLIOGRAFIA ................................................................................................................... 33
VIII. ANEXOS............................................................................................................................... 34
ANEXO 1: ESTIMACIONES DE LA INCIDENCIA DE CNCER EN EL PER, 2002-
2025. NMERO DE CASOS NUEVOS POR AO. ............................................................... 34
ANEXO 2: ESTIMACION DE CANCR DE PIEL EN LIMA Y EL PER.......................... 35
ANEXO 3: TASA AJUSTADA DE MORTALIDAD POR CANCER DE PIEL. ................... 36
ANEXO 4: CASOS DE NEOPLASIAS CUTNEAS ATENDIDAS EN EL INSTITUTO
NACIONAL DE ENFERMEDADES NEOPLASTIAS, 2000-2011. ....................................... 37

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 .................................................................................................... 15
Figura 2: Arquitectura de un RNA. ................................................................................................... 18
Figura 3: Arquitectura de un SE. ....................................................................................................... 22
Figura 4: ABCDE de la deteccin del MELANOMA. ..................................................................... 25
Figura 5: Lunar Benigno y Maligno. ................................................................................................. 29
Figura 6: CIRUGIA DE MOHS. ....................................................................................................... 32
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.

Los estudios epidemiolgicos de mortalidad constituyen un importante instrumento de evaluacin


de la efectividad de los programas de prevencin y control del cncer. El anlisis permite identificar
cambios significativos y focalizar las conclusiones en las causas ms prevenibles.

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).

El cncer de piel es la neoplasia maligna ms frecuente en el mundo y su incidencia ha aumentado


en los ltimos aos; as a nivel mundial, se registran cada ao 2 a 3 millones de casos de cncer de
piel no melanoma y 132 000 casos de melanoma; uno de cada tres pacientes con diagnstico
oncolgico tiene cncer cutneo. La Organizacin Mundial de la Salud estima que ms de 65.000
personas al ao en todo el mundo mueren a causa de melanoma.

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 ms frecuente en varones y el cuarto ms frecuente en
mujeres, para los casos notificados durante el primer semestre del ao 2012 (ANEXO 3).

1
Por su parte, el Departamento de Epidemiologa y Estadstica del Cncer del Instituto Nacional de
Enfermedades Neoplsicas (INEN), seala que entre los aos 2000 y 2011, se han atendido 6 048
casos de neoplasias de piel, que representan el 5,8% del total de neoplasias atendidas. La evolucin
del nmero ha sido ascendente, pasando de 439 casos el ao 2000 a 592 en el ao 2011(ANEXO 4).

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

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.

3.2. 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.
Reducir el porcentaje de personas afectadas con cncer de piel en etapa avanzada.
Reducir el ndice de mortandad a causa del Cncer de piel.

2
IV. Justificaciones.
4.1. Justificacin Econmica
Debido a la escasez de especialista (dermatlogo y onclogos) que cuenta el IREN, es que los
pacientes permanecen muchas horas esperando para ser atendidos lo cual le genera diferentes tipos
de gastos; ya sea en comida, pasajes, tiempo perdido en el trabajo y los gastos que generan las
pruebas o exmenes de deteccin. Lo que justifica la creacin de este programa lgico y red
neuronal, la cual evitara la mayora de estos gastos innecesarios que son provocados a causa de la
prdida de tiempo.

4.2. Justificacin Temporal


Con los problemas ya mencionados anteriormente, La realizacin de este proyecto pretende lograr
un ahorro de tiempo significativo, ahorro de recursos, aumentar la confianza y disponibilidad de los
pacientes y especialistas respectivamente.

4.3. Justificacin Social


En el IREN es a donde acuden la mayor parte de la poblacin especialmente las personas de escasos
recursos, no cuentan con muchos especialistas y con este proyecto se beneficiaran los pacientes
puesto que podrn consultar con el sistema experto con la ayuda de un mdico, que podr establecer
el tratamiento a seguir.
La poblacin necesita de instrumentos o sistemas que puedan llevar a cabo un control de salud, ms
an si se presentan riesgos de padecer enfermedades o en el peor de los casos si ya se manifiesta la
enfermedad. La salud es lo ms importante, y precisamente el sistema contribuir a la poblacin en
general y a la salud pblica con la disminucin de casos de cncer de piel o su diagnstico
oportuno.

4.4. Justificacin Tecnolgica


El programa lgico y red neuronal busca modernizar al IREN y a su vez que contribuir a una
nueva forma de diagnstico, donde los usuarios sean o no especialistas, tendrn un instrumento de
consulta para obtener un diagnstico ms preciso. 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

4.5. Justificacin Cientfica


En los ltimos aos, los cientficos han alcanzado muchos adelantos en cuanto a la comprensin de
cmo la luz ultravioleta daa el ADN dentro de las clulas normales de la piel, y cmo esto podra
causar que estas se conviertan en clulas cancerosas. Los investigadores se estn esforzando para
aplicar esta nueva informacin a estrategias para prevenir y tratar los cnceres de piel.

3.1. Justificacin Social:


- Diagnostico neoplsico: Nos permite dar diagnsticos exactos acerca de los desperfectos que
puede tener el cncer de piel.

3
- Verificacin neoplsico: Verifica cul o cules son las partes exactas que estn infectadas con
manchas lunares.
- Repuestos neoplsico: Ayudan a verificar el modelo de la parte daada y su respectivo repuesto.
- Informes futuras: Brindan un informe exacto de los problemas que estos desperfectos pueden
causar en un futuro.
3.2 Justificacin Econmica
-tratamientos aceptables: El costo de este servicio puede ser mucho menor que el de alguna clnica
privada.

V. Antecedentes.
5.1. 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.

4
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.

5.2. Segundo Antecedente


Ttulo: Sistemas de ayuda al diagnstico y reconocimiento de micro calcificaciones en
mamografa mediante descriptores de escala y redes jerrquicas.
Institucin: Universidad Politcnica de Madrid
Autores: Universidad Politcnica de Madrid
Ao: 2015

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 convolucionales,
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.

5
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 Convolucionales (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.

5.3. 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.

6
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.

5.4. Cuarto Antecedente


Ttulo: Redes Neuronales Artificiales aplicadas a la deteccin de Cncer de Mama
Institucin: Instituto Politcnico Nacional
Autores: Hugo Flores Gutirrez
Ao: Agosto 2015

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.

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.

5.5. Quinto Antecedente


Ttulo: Deteccin de Cncer Crvico-Uterino mediante Red Neuronal Funcin de Base
Radial.
Institucin: Instituto Politcnico NACIONAL
Autores: Ing. Margarita Elizabeth Gmez Mayorga
Ao: Junio 2009

7
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.

5.6. Sexto Antecedente


Ttulo: Reconocimiento de Patrones en Imgenes Mdicas Basado en Sistemas Inteligentes
Institucin: Universidad de Buenos Aires
Autores: Enrique Calot
Ao: Diciembre 2008

Resumen:
Hay dos aspectos interesantes sobre los cuales se puede trabajar: el primero es el
preprocesamiento 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).

8
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 preprocesada 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.

5.7. Sptimo Antecedente


Ttulo: Anlisis, Evaluacin Y Caracterizacin De Imgenes Termogrficas Utilizando
Redes Neuronales Artificiales Y Tcnicas De Extraccin De Caractersticas De Textura De
Haralick.
Institucin: Universidad Tcnica De Ambato
Autores: Diana Paola Guamn Tisalema
Ao: Diciembre 2015

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 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

9
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.

5.8. Octavo Antecedente


Ttulo: Procesamiento Y Anlisis De Mamografas Para La Deteccin De Tumores
Institucin: Escuela Tcnica Superior De Ingeniera Informtica
Autores: Diego Ignacio Osorio Fortea
Ao: Diciembre 2015

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 Deteccin y clasificacin de tumores en
mamografas a travs de redes neuronales; realizado por Rodrigo Culotta Lpez.

10
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.

5.9. Noveno Antecedente


Ttulo: Red neuronal artificial para detectar lesiones precancerosas en el cuello uterino
Institucin: Universidad de Carabobo
Autores: J. Guerrero ,J. Rivas , P. Linares,, J. Rodrguez
Ao: 2008

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.

5.10. Decimo Antecedente


Ttulo: Anlisis digital de imgenes tomografas sin contraste para la bsqueda de tumores
cerebrales
Institucin: Centro de Investigacion y de Estudios Avanzados del Instituto Politecnico
Nacional

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

6.1. MARCO TEORICO

6.1.1. INTELIGENCIA ARTIFICIAL

6.1.1.1. Definiciones
En el mbito de las ciencias de la computacin se denomina como inteligencia artificial a la facultad
de razonamiento que ostenta un agente que no est vivo, gracias al diseo y desarrollo de diversos
procesos gestados por los seres humanos.
La inteligencia artificial consiste en el diseo de procesos que, al ejecutarse sobre una arquitectura
fsica, producen resultados que maximizan una cierta medida de rendimiento.
La inteligencia artificial es un rea multidisciplinaria que combina ramas de la ciencia como la
lgica, la computacin y la filosofa que se encarga de disear y crear entidades artificiales que son
capaces de resolver problemas o realizar tareas por s mismos, utilizando algoritmos y paradigmas
de comportamiento humano.
Existen, sin embargo, otras definiciones que no se basan en el comportamiento humano. Son las
cuatro siguientes.

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.

2. Razonar como las personas. Lo importante es cmo se realiza el razonamiento y no el resultado


de este razonamiento. La propuesta aqu es desarrollar sistemas que razonen del mismo modo que
las personas. La ciencia cognitiva utiliza este punto de vista.

13
3. Razonar racionalmente. En este caso, la definicin tambin se focaliza en el razonamiento, pero
aqu se parte de la premisa de que existe una forma racional de razonar. La lgica permite la
formalizacin del razonamiento y se utiliza para este objetivo.

4. Actuar racionalmente. De nuevo el objetivo son los resultados, pero ahora evaluados de forma
objetiva. Por ejemplo, el objetivo de un programa en un juego como el ajedrez ser ganar. Para
cumplir este objetivo es indiferente la forma de calcular el resultado.

6.1.1.2. Paradigmas de la IA
A) IA clsica o simblica: Programable y basado en el supuesto del conocimiento explicable por
procedimientos de manipulacin de smbolos.
B) IA conexionista: Auto programable por aprendizaje y donde el conocimiento viene representado
la propia estructura de la red neuronal.

6.1.1.3. Dominios de la IA
Existen 3 tipos de dominios; formales, tcnicos y cognitivos.
A) Dominios formales
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.

14
Figura 1: La inteligencia Artificial

6.1.2. REDES NEURONALES ARTIFICIALES

6.1.2.1. 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 McCullochPitts y ha servido de inspiracin
para el desarrollo de otros modelos neuronales.

15
Tabla 1: Primera poca de la historia de RNA

Tabla 2: poca intermedia de la historia de RNA

16
Tabla 3: Segunda poca de la historia de RNA

6.1.2.2. Definiciones
Una red neuronal es un procesamiento distribuido masivamente paralelo que tiene una
tendencia natural para almacenar conocimiento emprico y hacerlo disponible para el uso
Recuerda al cerebro en 2 aspectos:
1) Conocimiento se adquiere por la red a travs de un proceso de aprendizaje

2) Las conexiones interneurnicas, se conocen como pesos sinpticos y se usan para


almacenar el conocimiento (Haykin, 2001) [3]

Segn (ZURADA, 1992)[10] Sistemas de redes neuronales artificiales, o redes neuronales


son sistemas celulares fsicos que puedan adquirir, almacenar y usar conocimiento emprico
6.1.2.3. 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. 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)
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.

17
Figura 2: Arquitectura de un RNA.

6.1.2.4. 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)
B) Generalizacin: Una vez entrenada, se le pueden presentar a la red, datos distintos a los usados
durante el aprendizaje. La respuesta obtenida depender del parecido de los datos con los ejemplos
de entrenamiento
C) Abstraccin o tolerancia al ruido: Las redes neuronales artificiales son capaces de extraer o
abstraer las caractersticas esenciales de las entradas aprendidas, de esta manera pueden procesar
correctamente datos incompletos o distorsionados.
D) Procesamiento paralelo: las neuronas reales trabajan en paralelo; en el caso de las redes
artificiales es obvio que si usamos un solo procesador no podr haber proceso paralelo real; sin
embargo, hay un paralelismo inherente, lo esencial es que la estructura y modo de operacin de las
redes neuronales las hace especialmente adecuadas para el procesamiento paralelo real mediante
multiprocesadores (se estn desarrollando mquinas especficas para la computacin neuronal).
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.
6.1.2.5. Ventajas
Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que estn basadas en la
estructura del sistema nervioso, principalmente el cerebro.
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.

18
B) Auto organizacin: Una RNA crea su propia representacin de la informacin en su
interior, descargando al usuario de esto.
C) Tolerancia a fallos: Debido a que una RNA almacena la informacin de forma redundante,
sta puede seguir respondiendo de manera aceptable aun si se daa parcialmente.
D) Flexibilidad: Una RNA puede manejar cambios no importantes en la informacin de
entrada, como seales con ruido u otros cambios en la entrada (ej. si la informacin de entrada es la
imagen de un objeto, la respuesta correspondiente no sufre cambios si la imagen cambia un poco su
brillo o el objeto cambia ligeramente)
E) Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es implementado con
computadoras o en dispositivos electrnicos especiales, se pueden obtener respuestas en tiempo
real.
6.1.2.6. Algoritmos de Aprendizaje
A) Aprendizaje supervisado
El algoritmo produce una funcin que establece una correspondencia entre las entradas y las salidas
deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificacin, donde el
sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias
categoras (clases). La base de conocimiento del sistema est formada por ejemplos de etiquetados
anteriores. Este tipo de aprendizaje puede llegar a ser muy til en problemas de investigacin
biolgica, biologa computacional y bioinformtica.
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 sistema de entrenamiento mediante back-propagation consiste en:


Empezar con unos pesos sinpticos cualquiera (generalmente elegidos al azar).
Introducir unos datos de entrada (en la capa de entradas) elegidos al azar entre los datos de
entrada que se van a usar para el entrenamiento.
Dejar que la red genere un vector de datos de salida (propagacin hacia delante).
Comparar la salida generada por la red con la salida deseada.
La diferencia obtenida entre la salida generada y la deseada (denominada error) se usa para
ajustar los pesos sinpticos de las neuronas de la capa de salidas.
El error se propaga hacia atrs (back-propagation), hacia la capa de neuronas anterior, y se
usa para ajustar los pesos sinpticos en esta capa.

19
Se continua propagando el error hacia atrs y ajustando los pesos hasta que se alcance la
capa de entradas.
Este proceso se repetir con los diferentes datos de entrenamiento.

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).

B) Aprendizaje no supervisado
Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan slo por
entradas al sistema. No se tiene informacin sobre las categoras de esos ejemplos. Por lo tanto, en
este caso, el sistema tiene que ser capaz de reconocer patrones para poder etiquetar las nuevas
entradas.
D) Aprendizaje semisupervisado
Este tipo de algoritmos combinan los dos algoritmos anteriores para poder clasificar de manera
adecuada. Se tiene en cuenta los datos marcados y los no marcados.
E) Aprendizaje por refuerzo
El algoritmo aprende observando el mundo que le rodea. Su informacin de entrada es el feedback
o retroalimentacin que obtiene del mundo exterior como respuesta a sus acciones. Por lo tanto, el
sistema aprende a base de ensayo-error.
F) 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.
G) Aprendizaje multi-tarea
Mtodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a
enfrentarse a problemas parecidos a los ya vistos.
El anlisis computacional y de rendimiento de los algoritmos de aprendizaje automtico es una
rama de la estadstica conocida como teora computacional del aprendizaje.
El aprendizaje automtico las personas lo llevamos a cabo de manera automtica ya que es un
proceso tan sencillo para nosotros que ni nos damos cuenta de cmo se realiza y todo lo que
implica. Desde que nacemos hasta que morimos los seres humanos llevamos a cabo diferentes
procesos, entre ellos encontramos el de aprendizaje por medio del cual adquirimos conocimientos,
desarrollamos habilidades para analizar y evaluar a travs de mtodos y tcnicas, as como tambin
por medio de la experiencia propia. Sin embargo, a las mquinas hay que indicarles cmo aprender,
ya que, si no se logra que una mquina sea capaz de desarrollar sus habilidades, el proceso de
aprendizaje no se estar llevando a cabo, sino que solo ser una secuencia repetitiva. Tambin
debemos tener en cuenta que el tener conocimiento o el hecho de realizar bien el proceso de
aprendizaje automtico no implica que se sepa utilizar, es preciso saber aplicarlo en las actividades

20
cotidianas, y un buen aprendizaje tambin implica saber cmo y cundo utilizar nuestros
conocimientos.
Para llevar a cabo un buen aprendizaje es necesario considerar todos los factores que a este le
rodean, como la sociedad, la economa, la ciudad, el ambiente, el lugar, etc. Por lo tanto, es
necesario empezar a tomar diversas medidas para lograr un aprendizaje adecuado, y obtener una
automatizacin adecuada del aprendizaje. As, lo primero que se debe tener en cuenta es el concepto
de conocimiento, que es el entendimiento de un determinado tema o materia en el cual t puedas dar
tu opinin o punto de vista, as como responder a ciertas interrogantes que puedan surgir de dicho
tema o materia.

6.1.3. SISTEMAS EXPERTOS

6.1.3.1. Definicin
Los Sistemas Expertos, rama de la Inteligencia Artificial, son sistemas informticos que simulan el
proceso de aprendizaje, de memorizacin, de razonamiento, de comunicacin y de accin en
consecuencia de un experto humano en cualquier rama de la ciencia. [5]
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.
6.1.3.2. Arquitectura de un SE
6.1.3.2.1. Base de Conocimientos
Representacin del conocimiento del dominio para la solucin de problemas especficos,
normalmente dicho conocimiento se estructura en forma modular en forma declarativa.
6.1.3.2.2. Base de Datos
Lugar donde se almacenan los datos de entrada y conclusiones intermedias que se van generando
durante el proceso de razonamiento.
6.1.3.2.3. Motor de Inferencia
Proceso que efecta el razonamiento a partir de los datos y utilizando el conocimiento de la Base de
Conocimientos. Es genrica, es decir, que se puede aplicar a diferentes dominios slo cambiando
la Base de Conocimientos.
6.1.3.2.4. Interfaz con el usuario
Entrada/Salida al usuario del sistema, incluyendo, normalmente, mecanismos de pregunta (porqu)
y de explicacin (cmo).

21
Figura 3: Arquitectura de un SE.

6.1.4. SISTEMA BASADO EN CONOCIMIENTOS


6.1.4.1. Definicin
Un sistema experto o sistema basado en conocimiento se puede definir como un sistema que
resuelve problemas utilizando una representacin simblica del conocimiento humano.
6.1.4.2. 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.

6.1.5. LOGICA
6.1.5.1. 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, propone estudiar los
mtodos y los principios adecuados para identificar al razonamiento correcto frente al que no lo es.
6.1.5.2. Lgica Proposicional o Lgica de Enunciados
6.1.5.2.1. Definicin
Es una rama de la lgica clsica que estudia las variables proposicionales o sentencias lgicas, sus
posibles implicaciones, evaluaciones de verdad y en algunos casos su nivel absoluto de verdad.
Algunos autores tambin la identifican con la lgica matemtica o la lgica simbolice, ya que utiliza
una serie de smbolos especiales que lo acercan al lenguaje matemtico.

22
6.1.5.2.2. Caractersticas
- 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.
6.1.5.3. Lgica de Predicados
6.1.5.3.1. Definicin
Estudia las frases declarativas con mayor grado de detalle, considerando la estructura interna de las
proposiciones. Se tomara como elemento bsico los objetos y las relaciones entre dichos objetos. Es
decir, se distingue:
- Que se afirma (predicado o relacin)
- De quien se afirma (objeto)

6.2. MARCO CONCEPTUAL


6.2.1. MELANOMA
6.2.1.1. 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. [4]
6.2.1.2. 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).

23
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 gen que pueda aumentar la
susceptibilidad a la radiacin ULTRAVIOLETA.
6.2.1.3. 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:
- 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.
Algunos melanomas no siguen las reglas descritas anteriormente. Resulta importante que informe a
su mdico sobre cualquier cambio en su piel o nuevo lunar, o crecimientos que observe como algo
distinto al resto de sus lunares.
Otras seales de advertencia son:
- Una llaga que no cicatriza.
- Propagacin del pigmento del borde de una mancha hasta la piel circundante.
- Enrojecimiento o una nueva inflamacin ms all del borde.
- Cambio en la sensacin (comezn, sensibilidad o dolor).

24
- Cambio en la superficie de un lunar (descamacin, exudacin, sangrado, o la apariencia de
una protuberancia o ndulo).
Asegrese de mostrar a su mdico cualquier rea que le preocupe y solicite que observe las reas
que usted tenga dificultad para ver. Algunas veces resulta difcil distinguir la diferencia entre un
melanoma y un lunar ordinario, incluso para los mdicos. Por lo tanto, resulta importante mostrar a
su mdico cualquier lunar que le resulte dudoso.

Figura 4: ABCDE de la deteccin del MELANOMA.

6.2.1.4. 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:
a) Melanoma de extensin superficial
Constituye el tipo ms frecuente en personas de raza blanca. Se produce en cualquier punto de la
piel, pero suele verse en espalda y miembros inferiores en mujeres, y en tronco en hombres. La edad
de aparicin es de los 30 a los 50 aos. Generalmente es plano e irregular en forma y color, con
sombras variables de negro y marrn.
b) Lentigo maligno melanoma
Generalmente aparece en las personas de edad avanzada. Ocurre ms comnmente en la piel daada
por el sol en la cara, el cuello y los brazos. Las reas de piel anormal generalmente son grandes,
planas y de color marrn con reas de color caf.
c) Melanoma lentiginoso acro (MLA)

25
Es la forma menos comn de melanoma. Generalmente ocurre en las palmas de las manos, las
plantas de los pies o por debajo de las uas y es ms comn en las personas de raza negra.
d) Melanoma nodular
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.
6.2.1.5. 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.
La proteccin de los rayos ultravioleta debe incluir la adopcin de ciertas medidas:
- Evitar la exposicin al sol entre las 11.00h y las 16.00h.
- Utilizar siempre crema protectora con un ndice adecuado para el foto tipo de piel. Repetir
la aplicacin de la crema cada dos horas, y despus de un bao o mucho sudor, incluso si el
producto indica resistencia al agua.
- Secarse bien despus de un bao previene las quemaduras por el efecto lupa de las gotas
de agua.
- Vestir ropa protectora si se va a estar expuesto mucho tiempo al sol y se tiene un fototipo de
piel sensible. Esto incluye sombrero o gorra, gafas de sol y manga larga ligera.
- Extremar todas estas medidas en lugares donde la luz se refleje en el entorno (mar, nieve,
desierto).
- Evitar las cabinas de rayos UV; est demostrado que su uso aumenta el riesgo de padecer
melanoma y otros cnceres de piel.
- Vigilar la medicacin que aumenta la sensibilidad a la luz solar, para ello consultar al
mdico y leer los prospectos.
- Los nios menores de 6 meses no deben exponerse nunca al sol, y los menores de 3 aos
solo podrn hacerlo con una proteccin muy alta.
Por ltimo, insistir en la consulta al dermatlogo ante cualquier indicio sospechoso en una mancha
de la piel; los pacientes con ms de 50 lunares o con antecedentes familiares directos de melanoma
deben acudir con regularidad al dermatlogo para hacerse un examen completo.

26
6.2.2. LUNARES
6.2.2.1. Concepto
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.
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.
6.2.2.2. 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.
6.2.2.3. 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.
6.2.2.3.1. Benignos
Los lunares benignos son manchas que aparecen en tu piel y provienen de la agrupacin de clulas
pigmentadas. Se caracterizan por lo siguiente:
o Tienen una forma redonda u oval, simtrica.
o Tienen bordes regulares y bien definidos.
o Tienen uno o dos colores.
o Suelen tener menos de 6 mm de dimetro.
o Son parecidos entre s en la misma persona.
o 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.

27
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.
6.2.2.3.2. Malignos
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.

28
Figura 5: Lunar Benigno y Maligno.

6.2.3. CANCER DE PIEL


6.2.3.1. Definicin
El cncer de piel no melanoma es el tipo ms comn de cncer de piel. Se le llama no melanoma,
porque este grupo de tumores comprende todos los tipos de cncer de la piel, excepto uno: El
melanoma maligno, que es el cncer que se desarrolla a partir de los melanocitos.
Segn un estudio realizado por la Organizacin Mundial de la Salud, cada ao se realizan alrededor
de 5.000 nuevos diagnsticos de cncer de piel. Factores como el deterioro de la capa de ozono o la
falta de prevencin diaria propician la aparicin de nuevos casos.
6.2.3.2. 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.
- 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.

29
- 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.
6.2.3.3. 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.

30
6.2.3.4. 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.
6.2.3.5. Tipos
Existen muchos tipos de cncer de piel no melanoma, pero hay dos que son los ms comunes: el
carcinoma basocelular 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 basocelular 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.
6.2.3.6. Tratamientos
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.
- 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.
- Electrodesecacin: 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.
- 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.

31
- 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.

Figura 6: CIRUGIA DE MOHS.

32
VII. BIBLIOGRAFIA

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. Haykin, S. (2001). NEURAL NETWORKS A Comprehensive Foundation. Ontario: Pearson


Education.

4. LEBOIT, M. A. (2014). HISTOLOGICAL DIAGNOSIS OF NEVI AND MELANOMA.


5. 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.

6. MARTINEZ, H. (2011). ATLAS OF SKIN CANCERS MELANOMA. CALIFORNIA.


7. RAMIREZ Q., S., PONCE E. , C., & NOLIVOS A., I. (2009). SISTEMA EXPERTO PARA LA
DETECCION DE CANCER A LA GLANDULA TIROIDES - SIECAT. 2013.

8. WIKIPEDIA. (6 de JUNIO de 20117). WIKIPEDIA EN ESPAOL. Obtenido de WIKIPEDIA EN


ESPAOL: https://en.wikipedia.org/wiki/Melanoma

9. WIKIPEDIA. (7 de JUNIO de 2017). WIKIPEDIA. Obtenido de WIKIPEDIA:


https://en.wikipedia.org/wiki/Skin_cancer

10. ZURADA, J. M. (1992). INTRODUCTION TO ARTIFICIAL NEURAL SYSTEMS. NEW YORK: WEST
PUBLISHING COMPANY.

33
VIII. ANEXOS

ANEXO 1: ESTIMACIONES DE LA INCIDENCIA DE CNCER EN EL PER,


2002-2025. NMERO DE CASOS NUEVOS POR AO.

Fuente: Dpto. de Epidemiologa y Estadstica del Cncer (Instituto Nacional de Enfermedades Neoplsicas)

34
ANEXO 2: ESTIMACION DE CANCR DE PIEL EN LIMA Y EL PER.

35
ANEXO 3: TASA AJUSTADA DE MORTALIDAD POR CANCER DE PIEL.

36
ANEXO 4: CASOS DE NEOPLASIAS CUTNEAS ATENDIDAS EN EL
INSTITUTO NACIONAL DE ENFERMEDADES NEOPLASTIAS, 2000-2011.

Fuente: Departamento de Epidemiologia y Estadstica del Cncer, Instituto Nacional de


Enfermedades Neoplsicas(INEN).

37