INFORME FINAL DEL PROYECTO DE INVESTIGACIÓN DOCENTE

TÍTULO DEL PROYECTO DE INVESTIGACIÓN: CÓDIGO:

Modelo logístico basado en datos censales para la proyección de la 47592102123
población de la ciudad de Trujillo

I. INFORMACIÓN GENERAL

Investigador principal:
Nombres: Juan Pedro Apellidos: Santos Fernández teléfono: 947879773
email: jsantos@unitru.edu.pe
Co investigadores:
Nombres: José Alberto Apellidos: Gómez Ávila teléfono:
email: jgomez@unitru.edu.pe
Nombres: Marcelino Apellidos: Torres Villanueva teléfono:
email: mtorres@unitru.edu.pe
Nombres: Oscar Romel Apellidos: Alcántara Moreno teléfono:
Email: oalcantara@unitru.edu.pe

Fecha de inicio del proyecto de investigación: 01/01/2021

Duración total de la ejecución del proyecto de investigación: 1 año meses: 12
Presupuesto total: S/.6,810.00
N° RD N° RJ
Unidad responsable de la ejecución del proyecto de investigación:

Línea de Investigación: Producción, Economía y Finanzas

II. ESQUEMA DE INFORME FINAL

Caratula
Índice

1. Resumen con palabras clave (en español e inglés)

El cáncer de piel es uno de los cánceres peligrosos como el cáncer de mama, el tumor cerebral
y el cáncer de pulmón. La detección de una lesión cutánea con melanoma o no melanoma es
un tema muy crucial. La detección temprana del melanoma es una de las mejores soluciones
para este problema. Existe técnicas diversas para detectar la lesión cutánea. Por tanto, el
diagnóstico oportuno es fundamental para su tratamiento antes del inicio de la malignidad.
Para abordar este problema, las imágenes médicas se utilizan para el análisis y la
segmentación de los límites de las lesiones a partir de imágenes dermatoscópicas. Se han
utilizado varios métodos, que van desde la inspección visual hasta el análisis de textura de las
imágenes. Sin embargo, la precisión de estos métodos es baja para un tratamiento clínico
adecuado debido a la sensibilidad involucrada en los procedimientos quirúrgicos o la

F-M02.01-DIN-009/Rev.01
 aplicación de medicamentos. Esto presenta una oportunidad para desarrollar un modelo
automatizado con buena precisión para que pueda usarse en un entorno clínico.
La investigación consta en la implementación de un sistema móvil, que tendrá como finalidad
realizar predicciones en discernir que se trata de mancha asociada al cáncer de piel o se trata
de otra patología cutánea. Para lograr el cometido se construyó un modelo de red de neuronal
convolucional entrenada con información de imágenes de manchas a la piel y predijó el
diagnóstico en un margen de 85% de probabilidad.
2. Introducción
(realidad problemática: antecedentes y fundamentación científica, técnica o humanística,
estado de arte, justificación, contribución. Problema científico, hipótesis, objetivos del
estudio)
Kloeckner J (2020) en la investigación “Multi-categorical classification using deep learning
applied to the diagnosis of gastric cancer”, obtuvo resultados de identificación y clasificación
automática en las categorías definidas se mostraron satisfactorios, con curvas ROC por
encima de 0,9.
Arnab Ray, BTech; Aman Gupta, BTech; Amutha Al, MEng (2020) en la investigación “Skin
Lesion Classification With Deep Convolutional Neural Network: Process Development and
Validation” propusieron un sistema de clasificación de lesiones cutáneas que tiene la
capacidad de detectar dichos lunares en una etapa temprana y es capaz de diferenciar
fácilmente entre un lunar canceroso y no canceroso. Este sistema se puede ahorrar tiempo y
recursos tanto para los pacientes como para los médicos. En los métodos utilizados crearon
una red neuronal convolucional profunda utilizando un modelo preentrenado Inceptionv3 y
DenseNet-201. Como resultados descubrieron que el uso de los conceptos de ajuste fino y el
modelo de aprendizaje por conjuntos arrojó resultados superiores. Además, el ajuste fino de
todo el modelo ayudó a que los modelos convergieran más rápido en comparación con el
ajuste fino solo de las capas superiores, lo que brinda una mejor precisión en general.
Concluyeron en su investigación que los algoritmos de aprendizaje profundo son muy
adecuados para clasificar imágenes de cáncer de piel.
Kashan Zafar 1, Syed Omer Gilani 1, *, AsimWaris 1, Ali Ahmed 1, Mohsin Jamil 2,
Muhammad Nasir Khan 3 y Amer Sohail Kashif 1 (2020) en su investigación “Skin Lesion
Segmentation from Dermoscopic ImagesUsing Convolutional Neural Network” afirman
propusieron un método automatizado para segmentar los límites de las lesiones que combina
dos arquitecturas, U-Net y ResNet, llamadas colectivamente Res-Unet. Además, también
utilizaron la imagen en pintura para la depilación, lo que mejoró significativamente los
resultados de segmentación. Entrenaron su modelo en el conjunto de datos de la CIIU 2017 y
lo validaron en el conjunto de pruebas de la CIIU 2017 y en el PH 2 conjunto de datos. Su
modelo propuesto alcanzó un índice Jaccard de 0,772 en el conjunto de pruebas ISIC 2017 y
0,854 en el PH 2 conjunto de datos, que son resultados comparables a las técnicas de
vanguardia disponibles actualmente.
Pla G. (2019) en la investigación “Clasificador automático de imágenes de muestras de
sangre basado en redes neuronales profundas” obtuvo valores de sensibilidad del clasificador
de aprendizaje profundo que oscilan entre 95% y el 100%, con un valor medio de 97.44%,
mostrando una mejoría de aproximada de 9 puntos porcentuales respecto a la red perceptrón

F-M02.01-DIN-009/Rev.01
 multicapa convencional. La especificidad del clasificador osciló entre 95% y el 100%,
teniendo un valor medio de especificidad de 98.26%, mostrando mejoría de aproximada de 3
puntos porcentuales respecto a la red feedforward. Finalmente, el valor de especificidad del
clasificador posee una estupenda habilidad para identificar los patrones negativos dentro de
todos los patrones entrados al clasificador.
Agilandeeswari L, Mahajan Tanuja Sagar, Keerthana N (2019) en su investigación “Skin
Lesion Detection using Texture Based Segmentation and Classification by Convolutional
Neural Networks (CNN)”, han propuesto un sistema para la detección del cáncer de piel que
utiliza segmentación y clasificación basada en texturas utilizando la Red Neuronal
Convolucional. GLCM (Gris Nivel La matriz de co-ocurrencia) está exigiendo las
características de una imagen. Usaron la herramienta de red neuronal para verificar la
precisión de la red de entrenamiento. Afirman que hoy en día, la técnica de Deep Learning es
muy popular para la clasificación de imágenes. CNN es una de las técnicas de Deep
Learning. Su trabajo propuesto ayuda a clasificar las lesiones cutáneas. El modelo ayudará a
los dermatólogos a clasificar los melanomas.
Kuiava V. (2019) en la investigación “Método de diagnóstico histopatológico de nódulos
mamarios por medio de algoritmo de aprendizaje profundo”, obtuvo con el software solución
una sensibilidad del 80,5% como especificidad de 96,1% para MobileNet y sensibilidad de
73,8% y especificidad de 94,7% para Inception, demostrando diferenciación de condiciones
malignas en una sensibilidad máxima de 78,7% y especificidad de 95,8%; para diferenciación
de condiciones benignas, la sensibilidad máxima fue de 82,6% y la especificidad, de 97,4%.
Según (Hernández, Fernández y Baptista, 2014) la justificación debe estar presente tanto en
el diseño de la investigación cuantitativa, es necesario justificar el estudio mediante la
exposición de las razones por las que se realiza.
Esta investigación se justifica teóricamente porque se realiza con el propósito de aportar al
conocimiento existente el uso de redes neuronales convolucionales, como instrumento de
diagnóstico en el cáncer a la piel, cuyos resultados podrán sistematizarse en una propuesta,
para ser incorporado como conocimiento a las ciencias médicas, mediante las soluciones del
modelo propuesto.
La presente investigación tiene como justificación práctica porque el modelo propuesto
analiza y diagnostica el cáncer a la piel generando información relevante que puede utilizarse
para mejorar su entrenamiento de la red neuronal.
A nivel metodológico se justifica por cuanto se propuso un nuevo método o una nueva
estrategia para el diagnóstico de cáncer a la piel, generando conocimiento válido y confiable.
La investigación se justifica a nivel tecnológico por la utilización de dispositivos móviles de
gama alta de última generación para obtención de imágenes de alta calidad para su posterior
análisis.
La investigación se justificación humanísticamente por brindar a los médicos herramientas
como soporte para el diagnóstico del cáncer a la piel y determinar su nivel de gravedad en
contraste con información histórica a favor de los pacientes, pronosticando en menor tiempo
los diagnósticos.

F-M02.01-DIN-009/Rev.01
 Se planteó el siguiente problema de investigación: ¿Cómo la implementación de una
aplicación móvil basada en redes neuronales convolucionales impacta en el diagnóstico de
cáncer de la piel?
Se formuló la siguiente hipótesis: La implementación de una aplicación móvil basada en
redes neuronales convolucionales mejora en el diagnóstico de cáncer de la piel.
Se estableció el siguiente objetivo de investigación: Mejorar el diagnóstico de cáncer a la piel
mediante una aplicación móvil basada en redes neuronales convolucionales.
3. Diseño de la Investigación
(Objeto material de estudio, de ser el caso indicar la población, muestra, variables, categorías
o indicadores, instrumentos o equipos de recolección de datos, métodos y técnicas, análisis
estadístico, validez y confiabilidad)
El material de estudio estuvo compuesto por imágenes de lesiones cutáneas de un conjunto de
datos disponible públicamente. La International Skin Imaging Collaboration (ISIC) ha
publicado una colección de comentarios imágenes dermatoscópicas de melanoma para el
Simposio Internacional de Biomedicina 2016/2017 Desafío de imágenes (https://isic-
archive.com/#). Este estudio utilizará imágenes de dermatoscopia que son disponible
públicamente en el archivo de International Skin Imaging Collaboration. Estos se almacenan
como RGB imágenes con tamaños variados en formato JPG.
Las técnicas que se utilizaron en el desarrollo de un nuevo modelo de red neuronal
convolucional (CNN) para clasificar el melanoma como maligno y benigno. Este modelo de
CNN fue capacitado utilizando imágenes de lesiones cutáneas de un conjunto de datos
disponible públicamente.
Se crearon arquitecturas variando parámetros y luego un nuevo modelo de CNN con alto
nivel de precisión se propondrá eligiendo las características / parámetros más apropiados de
diferentes arquitecturas. Se evaluó el modelo propuesto, se comparando su desempeño con
algunas arquitecturas de red publicadas.
4. Resultados

5. Análisis y discusión de resultados

6. Conclusiones y recomendaciones

7. Referencias bibliográficas
Agilandeeswari, L., Mahajan, T. S., & Keerthana, N. (2019). Skin lesion detection using
texture based segmentation and classification by convolutional neural networks
(CNN). International Journal of Innovative Technology and Exploring Engineering
(IJITEE), 2117-2120.
Arnab Ray, B., Aman Gupta, B., & Amutha Al, M. (2020). Skin lesion classification with
deep convolutional neural. JMIR Dermatol, 1-7.

F-M02.01-DIN-009/Rev.01
 Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, M. d. (2014).
Metodología de la investigación (Sexta ed.). México D.F., México: McGraw-Hill.
Obtenido de https://www.uca.ac.cr/wp-content/uploads/2017/10/Investigacion.pdf
Hernández Sampieri, R., Mendoza Torres, C. P. (2018). Metodología de la investigación:
las rutas cuantitativa, cualitativa y mixta (Primera ed.). México D.F., México:
McGraw-Hill. Obtenido de
https://mega.nz/file/53BF0KiB#OmVYc4cPAWL5Dk_R9w8Zvupd45J1BZJsCMO
Nn_EUwuY
Kloeckner, J. (2020). “Multi-categorical classification using deep learning applied to the
diagnosis of gastric cancer". Jornal Brasileiro de Patologia e Medicina Laboratorial,
56, 1-8. https://doi.org/10.5935/1676-2444.20200013
Kuiava, V., Kuiava, E., Rodriguez, R., Beck, A., Rodriguez, J., & Chielle, E. (2019).
Método de diagnóstico histopatológico de nódulos mamários por meio do algoritmo
de aprendizagem profunda. Jornal Brasileiro de Patologia e Medicina Laboratorial,
55(6), 620-632. https://doi.org/10.5935/1676-2444.20190055
Pla, G. (2019). Clasificador automático de imágenes de muestras de sangre basado en
redes neuronales profundas. Ingeniería Electrónica, Automática y Comunicaciones,
40(1), 18-30. e http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1815-
59282019000100018&lng=es&tlng=es.
Zafar, K., Gilani, S. O., Waris, A., Ahmed, A., Jamil, M., Khan, M. N., & Kashif, A. S.
(2020). Skin lesion segmentation from dermoscopic images. Sensors, 1-14.

8. Anexos

F-M02.01-DIN-009/Rev.01