Tamización de pacientes con sospecha de cáncer de mama mediante redes neuronales artificiales utilizando variables clínicas

Simple item page
dc.contributor.advisorSierra Bueno, Daniel Alfonso
dc.contributor.advisorÁlvarez Ojeda, Olga Mercedes
dc.contributor.authorGonzález Morales, Eliana Ximena
dc.date.accessioned2024-03-03T20:09:10Z
dc.date.available2013
dc.date.available2024-03-03T20:09:10Z
dc.date.created2013
dc.date.issued2013
dc.description.abstractEl cáncer de mama es uno de los tumores más frecuentes en el mundo y ha presentado un incremento en las tasas de incidencia y mortalidad. Estudios realizados indican que estas cifras se podrían reducir mediante programas de tamización para detección temprana. Estos resultados han promovido la búsqueda de técnicas alternativas y complementarias como sistemas de Inteligencia Artificial, los cuáles han demostrado mejorar la precisión de la detección y diagnóstico del cáncer. En este trabajo se utilizaron las Redes Neuronales Artificiales (RNA) en la tamización de 120 pacientes con sospecha de cáncer de mama utilizando variables clínicas. Se realizó un análisis de regresión logística binaria (LR) para determinar los factores de riesgo asociados al cáncer de mama. Se crearon dos modelos de patrones de entrada a las redes, el primero conformado por los resultados obtenidos en la LR y el segundo fue la combinación del modelo 1 y otros factores de riesgo potencial. Se utilizaron las redes Backpropagation (BP) y Redes de Función de Base Radial (RBFN) y se obtuvieron diversos tipos de configuraciones variando el algoritmo de aprendizaje, la función de transferencia y número de neuronas ocultas. El funcionamiento de las redes se evaluó usando la sensibilidad, especificidad y área bajo la curva ROC (AUC). Se seleccionaron las configuraciones que presentaron en la simulación valor de AUC igual o superior a 0.8. Posteriormente se les practicó la validación cruzada de 5 iteraciones y se encontró que la red que mostró mejor desempeño e independencia ante los datos fue la RNA-9 con una sensibilidad del 71.78%, especificidad del 78.29% y AUC de 0.7503. Es una red tipo BP con algoritmo de aprendizaje Levenberg-Marquardt y función de transferencia sigmoidea tangente hiperbólica en la capa oculta y de salida.
dc.description.abstractenglishBreast cáncer is one of the most common tumors in the world and has shown an increase in incidence and mortality rates. Studies indicate that these figures could be reduced by screening programs for early detection. These results have prompted the search for alternative and complementary techniques such as artificial intelligence systems, which have been shown to improve the accuracy of detection and diagnosis of cáncer. In this work using Artificial Neural Networks (ANN) in the screening of 120 patients with suspected breast cáncer using clinical variables. Was performed a binary logistic regressión analysis (LR) to determine the risk factors associated with breast cáncer. Two models were created input patterns to the network, the first consisting of the results of the LR and the second was the combination of model 1 and other potential risk factors. Backpropagation (BP) and Networks Radial Basis Function (RBFN) are used, and various types of configurations obtained by varying the learning algorithm, the transfer function and the number of hidden neurons. The network performance was evaluated using sensitivity, specificity and receiver operating characteristics área (AUC). The models were selected in the simulation had AUC value equal to or greater than 0.8. Subsequently we performed cross-validation 5 iterations and found that the network showed better performance and independence before the data was the RNA-9 with a sensitivity of 71.78%, specificity 78.29% and AUC of 0.7503. It is a type BP network with learning algorithm Levenberg-Marquardt and sigmoid transfer function hyperbolic tangent in the hidden and output layer.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero Electrónico
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/29262
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programIngeniería Electrónica
dc.publisher.schoolEscuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectCáncer De Mama
dc.subjectFactores De Riesgo
dc.subjectRed Neuronal Artificial (Rna)
dc.subjectBackpropagation
dc.subjectRbfn
dc.subjectValidación Cruzada
dc.subject.keywordBreast Cancer
dc.subject.keywordRisk Factors
dc.subject.keywordArtificial Neural Network (Ann)
dc.subject.keywordBackpropagation
dc.subject.keywordRbfn
dc.subject.keywordCross-Validation
dc.titleTamización de pacientes con sospecha de cáncer de mama mediante redes neuronales artificiales utilizando variables clínicas
dc.title.englishSelections of patiens with sospected breast cáncer using artificial neural networks and clinical variables
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
425.75 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
2.94 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
436.65 KB
Format:
Adobe Portable Document Format
Download
Collections
Ingeniería Electrónica