UNIVERSIDAD DEL VALLE

FACULTAD DE INFORMATICA Y ELECTRONICA

CARRERA DE INGENIERIA BIOMEDICA

DISEÑO E IMPLEMENTACIÓN DE UN SOFTWARE PARA LA

APLICACIÓN DE CROMOENDOSCOPIA DIGITAL Y APOYO EN LA
DETECCIÓN DE LESIONES TEMPRANAS EN EL TRACTO
DIGESTIVO HACIENDO USO DE INTELIGENCIA ARTIFICIAL.

INFORME DE PROYECTO DE BIOINGENIERIA III

DE LA CARRERA DE
INGENIERÍA BIOMÉDICA

ESTUDIANTE: JOSÉ FERNANDO PRADO SAN MARTIN

DOCENTE: ING. RODRIGO MARTINEZ SEVERICH

Cochabamba – Bolivia

2023
 DEDICATORIA

Dedicado a mis papás: Antonio Prado y Eva San Martin, por el apoyo brindado toda esta etapa
de la universidad, aun sin merecerlo, me ofrecieron el apoyo incondicional, inculcando en mi
valores y buenos hábitos. Fomentando siempre mi crecimiento personal.
 AGRADECIMIENTO
Al finalizar este proyecto quiero expresar mis agradecimientos a Dios por la enorme bendición
que me dio al poder formar parte de mi familia, siendo cada uno un gran aporte en mi vida, a
mis padres por el apoyo incondicional, paciencia y el gran ejemplo que me dieron y el ánimo
que me brindaron día a día.
También quiero agradecer a la Universidad Privada del Valle, directores y docentes por las
enseñanzas brindadas en cada clase, por permitirme crecer y forjar mi conocimiento y profesión
al transmitir sus conocimientos en las aulas.
 RESUMEN
La detección de pólipos de manera temprana ayuda a prevenir lo que sería un posible cáncer y
así evitar elevados costos para el tratamiento de este. Si bien existen dispositivos que ayudan
en la detección de pólipos con inteligencia artificial y filtros digitales que permiten verificar o
denotar alguna afección en un paciente, en los centros o áreas de gastroenterología a nivel
Cochabamba, no cuentan con torres compatibles con estos dispositivos de ayuda, lo que
implica invertir una gran cantidad de dinero para comprar una nueva torre de endoscopia
compatible con estos dispositivos o tecnologías.

Otro factor que también podría influir en la detección, es el estado físico del médico especialista,
considerando que, si este profesional realiza varios estudios en el día, podría llegar a obviar
algunas afecciones.

Un software que ofrezca la detección de pólipos con inteligencia artificial, la aplicación de filtros
digitales y la generación de una plantilla de informe que sea compatible con las distintas torres
de endoscopia, será de gran apoyo para los médicos especialistas y a aquellos centros o áreas
de gastroenterología que no cuentan con la posibilidad de adquirir estas herramientas para la
detección temprana de pólipos.

El presente proyecto de grado plantea una propuesta para solucionar esta necesidad a través
de:
 La recopilación de información referente a las tecnologías de detección de pólipos.
 El uso de filtros que permitan denotar afecciones a nivel gastrointestinal y,
 La entrega de los datos necesarios que brinda una colonoscopia o gastroscopia, con la
finalidad de ayudar y mejorar la calidad de estudios que se realicen, independiente de la
experiencia con que cuente el especialista.

Una vez implementado este software, mejoró la calidad de estudios en aquellos centros que no
cuentan con torres de endoscopia con la tecnología necesaria para adquirir un dispositivo de
detección con inteligencia artificial, brindando también la generación de una plantilla de informe
y filtros digitales para la denotación de posibles lesiones en el tracto digestivo.

Palabras clave: Detección de pólipos, cromoendoscopia digital, deep learning, colonoscopía,

gastroscopia.
 SUMMARY

Detecting polyps early helps prevent what would be a possible cancer and thus avoid high costs
for its treatment. Although there are devices that help in the detection of polyps with artificial
intelligence and digital filters that allow verifying or denoting any condition in a patient, in the
gastroenterology centers or areas at the Cochabamba level, they do not have towers compatible
with these aid devices, which implies investing a large amount of money to buy a new
endoscopy tower compatible with these devices or technologies.

Another factor that could also influence detection is the physical condition of the specialist
doctor, considering that, if this professional performs several studies a day, he or she could miss
some conditions.

A software that offers polyp detection with artificial intelligence, the application of digital filters
and the generation of a report template that is compatible with the different endoscopy towers,
will be of great support for specialist doctors and those gastroenterology centers or areas. who
do not have the possibility of acquiring these tools for the early detection of polyps.

This degree project proposes a proposal to solve this need through:

 The collection of information regarding polyp detection technologies.
 The use of filters that allow denoting conditions at the gastrointestinal level and,
 The delivery of the necessary data provided by a colonoscopy or gastroscopy, with the
purpose of helping and improving the quality of studies carried out, regardless of the
experience of the specialist.

Once this software was implemented, the quality of studies improved in those centers that do not
have endoscopy towers with the necessary technology to acquire a detection device with
artificial intelligence, also providing the generation of a report template and digital filters for
denotation. of possible injuries to the digestive tract.

Keywords: Polyp detection, digital chromoendoscopy, deep learning, colonoscopy,

gastroscopy.
 ÍNDICE DE CONTENIDO

INTRODUCCION...........................................................................................................................1

PLANTEAMIENTO DEL PROBLEMA............................................................................................2

JUSTIFICACIÓN............................................................................................................................3

Justificación técnica.......................................................................................................................3

Justificación económica..............................................................................................................3

Justificación social......................................................................................................................3

OBJETIVOS...................................................................................................................................4

Objetivo General.........................................................................................................................4

Objetivo General.........................................................................................................................4

METODOLOGIA.............................................................................................................................4

Enfoque de investigación............................................................................................................4

Tipo de investigación..................................................................................................................5

Métodos......................................................................................................................................5

Técnicas.....................................................................................................................................5

Población....................................................................................................................................5

Muestra.......................................................................................................................................5

Fuentes de información..............................................................................................................6

CAPÍTULO I.........................................................................................................................7

1. MARCO TEORICO..................................................................................................................8

1.1. Patologías Colorrectales..............................................................................................8

1.1.1. Pólipos......................................................................................................................8

1.1.2. Esofagitis..................................................................................................................9

1.1.3. Colitis ulcerosa.........................................................................................................9

1.2. Endoscopia.................................................................................................................10

1.2.1. Gastroscopia...........................................................................................................11

1.2.2. Colonoscopia..........................................................................................................11
 1.2.3. Cromoendoscopia digital........................................................................................12

1.3. Inteligencia Artificial....................................................................................................12

1.3.1. Redes neuronales...................................................................................................12

1.3.2. Deep Learning........................................................................................................13

1.3.3. Modelos pre-entrenados.........................................................................................13

1.4. Python........................................................................................................................13

1.5. Procesamiento digital de imágenes...........................................................................15

1.6. Base de Datos............................................................................................................15

1.7. Gestor de bases de datos..........................................................................................15

1.7.1. Base de datos relacional........................................................................................16

1.7.2. Base de datos no relacional...................................................................................16

1.7.3. SQLite.....................................................................................................................16

CAPÍTULO II......................................................................................................................17

2. INGENIERIA DEL PROYECTO............................................................................................18

2.1. Desarrollo de inteligencia artificial..............................................................................18

2.2. Diseño de base de datos............................................................................................21

2.3. Cromoendoscopia digital............................................................................................21

2.4. Diseño y desarrollo de la aplicación de escritorio......................................................23

CAPÍTULO III.....................................................................................................................41

RESULTADOS Y DISCUSIÓN..........................................................................................41

CONCLUSIONES.........................................................................................................................42

RECOMENDACIONES................................................................................................................42

BIBLIOGRAFIA............................................................................................................................42
 ÍNDICE DE FIGURAS
Figura 1. Pólipo..............................................................................................................................8
Figura 2. Esofagitis.........................................................................................................................9
Figura 3. Colitis Ulcerosa.............................................................................................................10
Figura 4. Endoscopio...................................................................................................................10
Figura 5. Gastroscopia y Colonoscopia.......................................................................................11
Figura 6. Estructura de modelo de entrenamiento.......................................................................18
Figura 7. Figura de evaluación de precisión................................................................................19
Figura 8. Diagrama de flujo - Prueba de IA..................................................................................20
Figura 9. Pruebas de detección de la IA......................................................................................20
Figura 10. Estructura de la base de datos...................................................................................21
Figura 11. Diagrama de flujo. Login y Administrador...................................................................23
Figura 12. Diagrama de flujo. Doctor_1. Selección de actividad – Realizar Estudio...................24
Figura 13. Diagrama de flujo. Doctor_2. Selección de actividad – Informes y Pacientes............25
Figura 14. Pantalla clave maestra................................................................................................25
Figura 15. Link de direccionamiento............................................................................................26
Figura 16. Login principal.............................................................................................................26
Figura 17. Pantallas de Ingreso Administradores y Doctores......................................................27
Figura 18. Pantalla de inicio Administrador..................................................................................27
Figura 19. Listado de usuarios registrados. Doctores - Pacientes...............................................28
Figura 20. Ver datos registrados del usuario. Doctor - Paciente.................................................29
Figura 21. Editar datos del usuario. Doctor - Paciente.................................................................30
Figura 22. Registro de usuarios. Doctor/Paciente........................................................................31
Figura 23. Pantalla de inicio Doctor.............................................................................................32
Figura 24. Lista y modificado de datos del Paciente....................................................................32
Figura 25. Lista y modificado de informes realizados..................................................................33
Figura 26. Plantilla de informe......................................................................................................34
Figura 27. Selección de paciente para el estudio........................................................................34
Figura 28. Detalles del paciente...................................................................................................35
Figura 29. Procedimiento de estudio de colonoscopia – Captura de imagen..............................35
Figura 30. Detección con Inteligencia Artificial Activada/Desactivada.........................................36
Figura 31. Filtros que ofrece el software......................................................................................37
Figura 32. Recolección de datos para la planilla de informe.......................................................38
Figura 33. Resumen de plantilla de informe.................................................................................39
Figura 34. Plantillas de informe....................................................................................................40

ÍNDICE DE TABLAS
Tabla 1. Configuración RGB........................................................................................................22
 1

INTRODUCCION
La endoscopia es una técnica médica utilizada para examinar el interior del cuerpo humano
utilizando un instrumento llamado endoscopio. En el caso de la detección de pólipos, la
endoscopia puede ser utilizada para examinar el colon (colonoscopia) o el tracto gastrointestinal
superior (gastroscopia).

Durante una endoscopia, se introduce un endoscopio a través de la boca o el ano y se guía a

través del tracto gastrointestinal. El endoscopio tiene una cámara en el extremo que permite al
médico visualizar el interior del tracto gastrointestinal en un monitor y revisar si en el paciente
existe alguna afección o posible afección.

Los pólipos, una de las afecciones más comunes y peligrosas en el tracto digestivo, son
crecimientos anormales que pueden aparecer en diferentes partes del cuerpo, incluyendo:
 Intestino grueso: los pólipos pueden aparecer en el colon o en el recto.

 Estómago: los pólipos gástricos son menos comunes que los del intestino, pero también
pueden ocurrir.

Es importante destacar que no todos los pólipos son malignos, pero algunos pueden convertirse
en cáncer al no ser detectados de manera temprana.

De acuerdo con datos de Global Cancer Observatory - Globocan (Web interactiva de la Agencia
Internacional para la Investigación del Cáncer de la Organización Mundial de la Salud. En ella
se presentan estadísticas globales del cáncer), en Bolivia la tasa estimada de cáncer colorrectal
es de 9,1 por cada 100.000 habitantes de ambos sexos, por tanto, coloca al país en una
incidencia intermedia en América Latina y el Caribe. Haciendo un análisis por sexo, el Registro
Nacional de Cáncer indica que 9,67 por cada 100.000 habitantes de sexo femenino padece
cáncer de colon. En el caso de los hombres 6,24 por cada 100.000 habitantes registra está
patología, es decir, que se encuentra dentro de los 10 cánceres más frecuentes en ambos
sexos.

El uso de la Inteligencia Artificial (IA), además de la automatización de tareas, ayuda con la

planificación y el pronóstico de los pacientes, logra que la atención médica sea más eficiente,
 2

pues no solo reduce costos, sino que también permite el análisis remoto de resultados, lo que
redunda en una mejor distribución de los servicios de atención médica.

PLANTEAMIENTO DEL PROBLEMA

La colonoscopia y gastroscopia son estudios de mucha importancia ya que esta permite
detectar lesiones premalignas, como ser los pólipos, las cuales, si no son detectadas o tratadas
tempranamente, puede terminar desarrollándose un cáncer.
Según GLOBOCAN, el cáncer colorectal está entre los 10 primeros canceres más incidentes en
Bolivia. La incidencia de este se debe a la baja calidad de estudios realizados en los centros de
gastroenterología ya que no cuentan con la tecnología necesaria.

Poniendo de ejemplo al Instituto Gastroenterológico Boliviano Japonés (IGBJ), en la cede de

Cochabamba llegan a realizar de 30 a 35 estudios por día, incluso 40 estudios, con solo 2 salas
de endoscopia. De esta cantidad de estudios, 20 a 25 son colonoscopia. Esto implica que los
médicos especialistas puedan obviar alguna afección debido al agotamiento físico que este
puede sufrir al realizar una gran cantidad de estudios.

Hablando sobre los Videoprocesadores, entre ellos podemos encontrar:

 Videoprocesadores que cuentan con cromoendoscopia digital y son compatibles con
módulos de Inteligencia Artificial (IA) para la detección de pólipos.

 Videoprocesadores con únicamente Cromoendoscopia digital.

 Videoprocesadores que no cuentan con estas aplicaciones.

Si bien actualmente existen equipos que cuentan con detección de pólipos con inteligencia
artificial y cromoendoscopia digital (Filtros digitales que usan determinadas longitudes de onda
de luz que ayudan a obtener información sobre la vascularización superficial) como ser equipos
de FUJIFILM (LCI, BLI), OLYMPUS (NBI) o PENTAX (I-SCAN); en Bolivia, especialmente en
Cochabamba, los centros o áreas de endoscopia no cuentan con esta tecnología dado a su
costo elevado.
 3

El problema a abarcar es la calidad de estudio que ofrecen los equipos actuales. No todos los
videoprocesadores cuentan con cromoendoscopia digital y mucho menos la detección
automática de pólipos con inteligencia artificial, adquirir uno tiene un precio elevado y los
médicos o instituciones no pueden adquirir estos equipos de última generación.

¿El desarrollo de un software que ofrezca la aplicación de cromoendoscopia digital y apoyo en

la detección de lesiones tempranas en el tracto digestivo con inteligencia artificial, que sea
compatible con las distintas marcas de torres de endoscopia optimizará la tasa de detección de
lesiones premalignas?

JUSTIFICACIÓN

Justificación técnica
Actualmente en Cochabamba se tienen pocas torres de endoscopia que cuentan con
videoprocesadores con la compatibilidad de módulos para aplicación de detección con
inteligencia artificial. Diseñar e implementar un software que brinde el apoyo de la inteligencia
artificial y cromoendoscopia digital, sin necesidad de comprar otro videoprocesador, brindará un
estudio con mayor calidad y así aumentar la tasa de detección temprana de pólipos.
Este software permitirá de igual manera generar una plantilla de informe el cual será de
beneficio para el médico especialista al momento de dar el diagnóstico.

Justificación económica
Si bien en la actualidad se tienen equipos con esta tecnología, los médicos u hospitales que no
tienen estos equipos serán beneficiados con este software. El software propuesto ayudará a
aquellas instituciones que no tengan la posibilidad de adquirir equipos de gran tecnología.
Otro factor por mencionar es el costo de tratamiento a realizar, es decir, eliminar un pólipo en
una fase temprana tendrá un costo mucho menor costo que implica el tratamiento del cáncer.

Justificación social
El software ofrecerá un apoyo al médico ya que detectará con inteligencia artificial lesiones en
una etapa temprana. También ofrecerá un mejor diagnóstico, los pólipos al ser tratados de
forma preventiva y evitará avance de un posible cáncer.
 4

Este igual dará la seguridad al paciente de que al ser sometido a este estudio, el software
detectará las afecciones y alertará al especialista obligando a este a realizar una revisión de la
alerta.

OBJETIVOS
Objetivo General
Desarrollar un software que ofrezca la aplicación de cromoendoscopia digital y apoyo en la
detección de lesiones tempranas en el tracto digestivo con inteligencia artificial, que sea
compatible con las distintas marcas de torres de endoscopia para optimizar la tasa de detección
de lesiones premalignas.

Objetivo General
 Investigar, recaudar y seleccionar información requerida para el desarrollo del proyecto.
 Diseñar, entrenar y poner a prueba una red neuronal.
 Desarrollar los filtros determinados que se aplicarán en la cromoendoscopia digital.
 Diseñar y desarrollar una aplicación de web y la base de datos para el almacenamiento
de datos.
 Enlazar el entrenamiento de la Inteligencia Artificial con la aplicación de escritorio y
realizar las pruebas respectivas.
 Realizar pruebas con torres de endoscopia de la marca FUJIFILM, representados en
Cochabamba por la empresa DOTMED, y verificar la detección de IA y la aplicación de
cromoendoscopia digital.

METODOLOGIA
Enfoque de investigación
El enfoque de la investigación será cuantitativo ya que se establecerán patrones de
comportamiento y prueba de teorías al programar y entrenar la red neuronal, y se realizará
cálculos para la aplicación de cromoendoscopia digital. La investigación ira más en el ámbito de
encontrar y aplicar las mejores opciones para ofrecer una herramienta útil para el médico
especialista.
 5

Tipo de investigación
El tipo de investigación que se realizará en el proyecto es exploratorio ya que en este se
propone una alternativa tecnológica para aplicar detección con inteligencia artificial y
cromoendoscopia digital. El software propuesto será probado en distintas marcas de torres de
endoscopía.

Métodos
El método por utilizar será el método empírico, ya que se observará las imágenes obtenidas en
el estudio de colonoscopia - endoscopia y el sistema detectará y mostrará los resultados
obtenidos por la red neuronal, se realizarán las pruebas respectivas para el correcto
funcionamiento de la red neuronal.

Técnicas
Las técnicas por utilizar en el proyecto será la recolección de datos necesarios para el
desarrollo de una inteligencia artificial capaz de realizar detección de lesiones con aprendizaje
profundo, aplicación de cromoendoscopia digital y plantillas de informes en el área de
endoscopía. También se seleccionará una base de datos apta para el entrenamiento de la IA y
se obtendrán imágenes de un centro gastroenterológico para realizar las pruebas de detección.
Del mismo modo se utilizará torres de endoscopia de DOTMED, empresa representante de la
marca FUJIFILM, para comprobar la funcionalidad del software.

Población
La población a la que está dirigida el proyecto es a los centros o unidad de gastroenterología
que no cuentan con esta tecnología disponible para realizar un estudio de alta calidad llegando
a abarcar incluso a aquellos centros alejados.
 6

Muestra
Para la obtención de imágenes se obtendrá una muestra de imágenes etiquetadas KVASIR, el
cual es un proyecto presentado por los hospitales noruegos Hospital Bærum, Hospital
Drammen, Hospital Kongsberg y el Hospital Ringerike que ofrecen dichas imágenes etiquetadas
obtenidas en sus centros gastroenterológicos para el entrenamiento de softwares capaces de
brindar apoyo en la detección de lesiones tempranas. Para la validación de la IA se obtendrá
una muestra de imágenes del centro que realiza mayor cantidad de estudios a nivel
Cochabamba, el Instituto Gastroenterológico Boliviano Japonés.

Fuentes de información
Para las fuentes se utilizará fuentes primarias, ya que se hará revisión de documentos
relacionados al procesamiento digital de imágenes y fuentes secundarias relacionadas a la IA y
la aplicación de filtros digitales.
 7

CAPÍTULO I
MARCO TEÓRICO
 8

1. MARCO TEORICO
1.1. Patologías Colorrectales
Las patologías más comunes a nivel del tracto gastrointestinal incluyen el cáncer colorrectal, los
pólipos y la enfermedad inflamatoria intestinal, como la enfermedad de Crohn y la colitis
ulcerosa. De estos, los pólipos son una de las lesiones más importantes que pueden
evolucionar hacia un cáncer colorrectal (Bonnington, 2016).

Según MedlinePlus, el cual es un servicio informativo en línea de salud para pacientes,

menciona que entre otras posibles lesiones más comunes que se puede dar a lo largo del tracto
digestivo son:
 Problemas del esófago, como estenosis (o estrechamiento), acalasia y esofagitis.
 Problemas intestinales, como pólipos y cáncer, infecciones, celiaquía, enfermedad de
Crohn, colitis ulcerosa, diverticulosis, malabsorción, síndrome del intestino corto e
isquemia intestinal

1.1.1. Pólipos
Los pólipos son crecimientos anormales en la pared del colon, el recto o estómago y se
clasifican en dos tipos principales: los pólipos neoplásicos y los no neoplásicos. Los pólipos
neoplásicos tienen el potencial de convertirse en cáncer colorrectal y, por lo tanto, se
consideran precursores del cáncer. A medida que los pólipos neoplásicos crecen, pueden
desarrollar cambios genéticos y moleculares que eventualmente pueden llevar a la formación de
células cancerosas (Bonnington, 2016). Ver Figura 1.
Figura 1. Pólipo.

Fuente: Elaboración propia, 2023.

 9

En relación con el número de lesiones pueden ser únicos o múltiples; cuando el número de
pólipos es muy elevado se habla de poliposis intestinal. Los pólipos menores a 5 mm son
difíciles de detectar en una colonoscopía, tienen crecimiento lento y un riesgo reducido de ser
maligno (Martínez, 2018).

1.1.2. Esofagitis
La esofagitis es la inflamación del esófago. La esofagitis puede hacer que tragar sea difícil y
doloroso, además de provocar dolor de pecho. La esofagitis puede deberse a diferentes
motivos. Algunas causas frecuentes son el regreso del ácido del estómago al esófago, una
infección, la administración de medicamentos por vía oral y las alergias (Mayo Clinic, s.f.). Ver
Figura 2.

Figura 2. Esofagitis.

Fuente: Elaboración propia, 2023.

1.1.3. Colitis ulcerosa

La colitis ulcerosa es una enfermedad inflamatoria intestinal crónica que afecta principalmente
al revestimiento del colon y el recto. Se caracteriza por la presencia de úlceras y lesiones en la
mucosa intestinal, que pueden causar síntomas como diarrea persistente, dolor abdominal,
sangrado rectal y pérdida de peso. Aunque la causa exacta de la colitis ulcerosa no se
comprende completamente, se cree que involucra una combinación de factores genéticos,
inmunológicos y ambientales (Dignass, 2012). Ver Figura 3.
 10

Figura 3. Colitis Ulcerosa.

Fuente: Elaboración propia, 2023.

1.2. Endoscopia
La endoscopia es un procedimiento médico que permite a los médicos ver el interior del cuerpo
de una persona utilizando un instrumento llamado endoscopio o tubo visor. Los endoscopios
tienen una cámara diminuta unida a un tubo largo y delgado que se mueve a través de una
cavidad, órgano hueco o apertura del cuerpo para ver el interior de un órgano. La endoscopia
se utiliza para examinar el tracto digestivo, el tracto respiratorio y otros órganos internos.
Existen muchos tipos diferentes de endoscopias, como la artroscopía, la broncoscopía, la
colonoscopía, la cistoscopía, la ureteroscopía, la laparoscopia y la endoscopia gastrointestinal
superior o gastroscopia (Staff, 2022). Ver Figura 4.

Figura 4. Endoscopio.
 11

Fuente: Elaboración propia, 2023.

1.2.1. Gastroscopia
La gastroscopia es una exploración que permite la visualización directa de la parte alta del tubo
digestivo, incluyendo el esófago, el estómago y el duodeno. La indicación más frecuente para
realizar una gastroscopia es la detección de tumores en estadio precoz. Mediante la extracción
de pequeñas muestras de mucosa, que posteriormente son estudiadas al microscopio, se
puede hacer la distinción entre lesiones benignas y malignas (Clínica Universidad de Navarra).
Ver la Figura 5, lado izquierdo.

1.2.2. Colonoscopia
La colonoscopia consiste en la exploración del interior del recto, del colon e incluso de los
últimos centímetros del intestino delgado, introduciendo a través del ano el colonoscopio. Este
consiste básicamente en un tubo flexible dotado de un sistema de iluminación y de visión. A
través de él se pueden introducir pinzas y otros accesorios que se emplearán en diferentes
procedimientos tanto diagnósticos como terapéuticos. La duración del procedimiento es
variable, dependiendo de si se trata de una exploración diagnóstica o terapéutica, y de si
precisa o no administrar sedación. En general, una colonoscopia tiene una duración aproximada
de 30-45 minutos (López, 2008). Ver la Figura 5, lado derecho.

Figura 5. Gastroscopia y Colonoscopia.

Fuente: Costo por procedimiento

 12

1.2.3. Cromoendoscopia digital

La cromoendoscopia es un método de coloración digital o electrónica que permite detectar
lesiones y visualizar cambios en la mucosa que habitualmente no se perciben. Esto implica un
diagnóstico y tratamiento más precoz en la prevención del Cáncer de Colon; así como en otras
lesiones del tracto gastrointestinal. Esta técnica permite realizar un estudio exhaustivo,
haciendo magnificación en las áreas en las que se sospecha o se tiene duda, por lesiones con
alto potencial de malignidad. Para realizar estos estudios de Cromoendoscopia y de
Magnificación se requiere de equipos con la tecnología de Alta Definición (Gastrocal, 2017).

1.3. Inteligencia Artificial

La inteligencia artificial es aquella disciplina que tiene como objetivo el estudio de la conducta
humana, mediante el análisis del comportamiento inteligente del ser humano, mismo que se
puede denominar análisis de los procesos cognoscitivos, debido a que estos se enfocan en el
estudio de los procesos internos que conducen al aprendizaje. Se puede decir que en la
actualidad la inteligencia artificial es una disciplina fundamental en la ciencia y la tecnología,
misma que tras el paso del tiempo ha creado una serie de conocimientos básicos que le
permiten emular diversas capacidades del ser humano para exhibir comportamientos
inteligentes. Debido a lo anterior se han desarrollado diversos sistemas que tienen por objetivo
perfeccionar las distintas capacidades del ser humano con el fin de la reproducción de las
mismas (MendezPalma, 2007).

Este campo está conformado por diversas técnicas que se utilizan para intentar resolver
problemas y tomar decisiones de forma similar a cómo lo hacen las personas en su vida
cotidiana. Como se desprende de los ejemplos presentados en este trabajo, los datos son el
insumo fundamental de los sistemas de Inteligencia Artificial que se utilizan en la actualidad. La
irrupción de internet, la disponibilidad ubicua de datos, la capacidad casi masiva de recolectar
esos datos y la potencia de cómputo que tenemos hoy disponible, hace que en los últimos años
haya habido un despliegue exponencial de las técnicas de Inteligencia Artificial conocidas como
Machine Learning (ML) y el Deep Learning (Elebi, 2020).
 13

1.3.1. Redes neuronales

Las Redes Neuronales Artificiales son sistemas de información cuyo funcionamiento está
inspirado en redes neuronales biológicas. Hace parte de un conjunto de procesamiento llamado
nodo o neuronas conectadas a través de un valor numérico modificable conocido como peso
(García P., 2021).

1.3.2. Deep Learning

El Deep Learning es una rama específica del Machine Learning que se centra en el uso de
redes neuronales artificiales de múltiples capas para aprender y representar información de
manera jerárquica. Estas redes neuronales, compuestas por capas interconectadas de nodos,
son capaces de extraer características complejas de los datos y generar modelos más
sofisticados. El Deep Learning ha logrado avances significativos en áreas como el
reconocimiento de imágenes, el procesamiento de lenguaje natural y la traducción automática.
(Goodfellow, 2019).

1.3.3. Modelos pre-entrenados

Un modelo pre-entrenado es un modelo de machine learning que ha sido entrenado
previamente en grandes conjuntos de datos. A diferencia de los modelos entrenados desde
cero, los modelos pre-entrenados ya han aprendido patrones en los datos y están listos para ser
personalizados para una tarea específica. (JACAR, 2023)

1.4. Python
Python es un lenguaje de programación de alto nivel ampliamente utilizado en el ámbito de la
inteligencia artificial y el aprendizaje automático. Es conocido por su sintaxis clara y legible, lo
que lo convierte en una herramienta popular para el desarrollo de aplicaciones de IA. Python
ofrece una amplia gama de bibliotecas y frameworks, como TensorFlow y PyTorch, que facilitan
la implementación de redes neuronales (Chollet, 2018).

Para el diseño de interfaces en un proyecto de red neuronal, Python ofrece bibliotecas como
Tkinter, PyQt y Kivy, que permiten crear interfaces gráficas interactivas de manera eficiente.
Estas bibliotecas proporcionan una variedad de widgets y herramientas de diseño que facilitan
la creación de interfaces intuitivas y atractivas para los usuarios (Géron, 2019).
 14

La combinación de Python y sus bibliotecas especializadas ofrece una sólida base para el
desarrollo de proyectos de IA que involucran el diseño de interfaces y el entrenamiento de redes
neuronales. Su flexibilidad, facilidad de uso y amplia comunidad de desarrolladores hacen de
Python una elección popular en el campo de la inteligencia artificial. Las posibles librerías o
bibliotecas que se usará en este proyecto serán:
 H5PY: La librería de Python h5py es una herramienta que permite trabajar con archivos
en formato HDF5 (Hierarchical Data Format version 5). HDF5 es un formato de archivo
diseñado para almacenar y organizar grandes cantidades de datos de manera eficiente y
flexible. La librería h5py proporciona una interfaz de alto nivel para crear, leer y escribir
archivos HDF5 desde programas en Python (Collette, 2013).

 MATPLOTLIB: Matplotlib es una librería Python open source, desarrollada inicialmente

por el neurobiólogo John Hunter en 2002. El objetivo era visualizar las señales eléctricas
del cerebro de personas epilépticas. Para conseguirlo, quería replicar las
funcionalidades de creación gráfica de MATLAB con Python (DataScientest, s.f.).

 NUMPY: Numpy (Numerical Python) es el paquete fundamental para la computación

científica en Python. Es una librería que permite la manipulación de arreglos
multidimensionales, así como rutinas para realizar operaciones sobre dichos arreglos de
forma rápida y eficiente, incluyendo operaciones matemáticas, lógicas, de ordenamiento
y selección, transformadas de Fourier, álgebra lineal, operaciones estadísticas básicas y
generación de números aleatorios, entre otras (Sotaquirá, 2022).

 OPENCV: OpenCV (Open Source Computer Vision) es una librería de programación de

código abierto dirigida principalmente a la visión por computador en tiempo real. Esta fue
desarrollada por la división rusa de Intel en el centro de Nizhni Nóvgorod. OpenCV es
compatible con los distintos lenguajes de programación, entre ellos Python (Unipython,
s.f.).

 PILLOW: Python Imaging Library (abreviado como PIL) (en versiones más recientes
conocidas como Pillow) es una biblioteca gratuita para el lenguaje de programación
Python que agrega soporte para abrir, manipular y guardar muchos formatos de archivos
 15

de imágenes diferentes. Está disponible para Windows, Mac OS X y Linux (Salcedo,

2017).

 TENSORFLOW: TensorFlow es un sistema de computación numérica de código abierto

de Google Cloud. Para el desarrollo de la inteligencia artificial y el aprendizaje
automático, TensorFlow juega un papel muy importante. TensorFlow te permite construir
y entrenar redes neuronales para detectar patrones y razonamientos usados por los
humanos (Larkin, 2022).

1.5. Procesamiento digital de imágenes

El procesamiento digital de imágenes es un conjunto de técnicas que se aplican a las imágenes
digitales con el objetivo de mejorar la calidad o facilitar la búsqueda de información. Estas
técnicas incluyen el preprocesamiento de imágenes, que tiene como objetivo obtener una
imagen final más adecuada para una aplicación específica mejorando ciertas características de
la misma que posibilite efectuar operaciones del procesado sobre ella. También se utilizan
operaciones de realce y análisis de la imagen con una gran facilidad. Los filtros son un medio
muy efectivo para mejorar la calidad de las imágenes ya que permiten suavizar la imagen y
reducir la cantidad de variaciones de intensidad entre píxeles vecinos. El procesamiento digital
de imágenes tiene una gran diversidad de aplicaciones en donde se utilizan estas técnicas de
procesamiento o análisis (Catalán, s.f.).

1.6. Base de Datos

Una base de datos es una recopilación organizada de información o datos estructurados, que
normalmente se almacena de forma electrónica en un sistema informático. Normalmente, una
base de datos está controlada por un sistema de gestión de bases de datos (DBMS). En
conjunto, los datos y el DBMS, junto con las aplicaciones asociadas a ellos, reciben el nombre
de sistema de bases de datos, abreviado normalmente a simplemente base de datos (Oracle,
s.f.).

1.7. Gestor de bases de datos

Un sistema gestor de base de datos (SGBD) o Database Management System (DBMS) es un
conjunto de programas invisibles para el usuario final con el que se administra y gestiona la
información que incluye una base de datos. Los gestores de datos o gestores de base de datos
permiten administrar todo acceso a la base de datos, pues tienen el objetivo de servir de
 16

interfaz entre esta, el usuario y las aplicaciones. Entre sus funciones se encuentran la de
permitir a los usuarios de negocio almacenar la información, modificar datos y acceder a los
activos de conocimiento de la organización. Asimismo, el gestor de base de datos también se
ocupa de realizar consultas y hacer análisis para generar informes (Daras, 2021).

1.7.1. Base de datos relacional

Una base de datos relacional es un tipo de base de datos que almacena y proporciona acceso a
puntos de datos relacionados entre sí. Las bases de datos relacionales se basan en el modelo
relacional, una forma intuitiva y directa de representar datos en tablas. En una base de datos
relacional, cada fila en una tabla es un registro con una ID única, llamada clave. Las columnas
de la tabla contienen los atributos de los datos y cada registro suele tener un valor para cada
atributo, lo que simplifica la creación de relaciones entre los puntos de datos (Oracle Cloud
Infrastructure, s.f.).

1.7.2. Base de datos no relacional

Las bases de datos no relacional es una clase de sistemas de gestión de bases de datos que
difieren del modelo clásico de sistema de gestión de bases de datos relacionales, en aspectos
como: no usan SQL como lenguaje principal de consultas, los datos almacenados no requieren
estructuras fijas como tablas, normalmente no soportan operaciones JOIN, ni garantizan
completamente ACID (atomicidad, consistencia, aislamiento y durabilidad), y habitualmente
escalan bien horizontalmente (Valverde, 2019).

1.7.3. SQLite
SQLite es una herramienta de software libre, que permite almacenar información en dispositivos
empotrados de una forma sencilla, eficaz, potente, rápida y en equipos con pocas capacidades
de hardware, como puede ser una PDA o un teléfono celular. SQLite está construida en C, lo
cual facilita la migración a diversas plataformas de sistemas operativos y de dispositivos. Dado
que una base de datos de SQLite se almacena por completo en un solo archivo, está puede ser
exportada a cualquier otra plataforma y tener interoperatibilidad al 100% sin ningún
requerimiento de programación adicional o cambios de configuración (Filein, s.f.).
 17

CAPÍTULO II
INGENIERÍA DEL PROYECTO
 18

2. INGENIERIA DEL PROYECTO

2.1. Desarrollo de inteligencia artificial
Para el desarrollo del proyecto se inició con el entrenamiento de la inteligencia artificial. Para
ello se descargó la base de datos original del proyecto KVASIR y se verificó el etiquetado de las
imágenes que este proporciona.

Las imágenes que ofrece el proyecto KVASIR para el entrenamiento de inteligencias artificiales
son 500 imágenes normales, 500 de pólipos, 500 de colitis ulcerosa y 500 de esofagitis, de las
cuales se destinó 500 imágenes de cada una para la validación.

Para aumentar más contenido a la base de datos se realizó un procesamiento de imágenes

donde se aplicó rotación, zoom, volteo y recorte en las imágenes para llegar a obtener una base
de datos más amplia llegando a tener 800 imágenes de cada clase para el entrenamiento.

Para la inteligencia artificial se usó como base un modelo pre-entrenado llamado MobileNetV2
ya que ofrece una memoria ligera para el entrenamiento, se añadió capas adicionales con la
finalidad de mejorar la exactitud y precisión en la detección. A este modelo pre-entrenado se le
agregó capas para poder aprender y representar mejor la información que se le brindará, como
se demuestra en la Figura 6, se tiene la estructura final del entrenamiento.

Figura 6. Estructura de modelo de entrenamiento.

 19

Fuente: Elaboración propia.

Una vez diseñado la red neuronal se procedió al entrenamiento, consulta de confiabilidad y
precisión de la red neuronal y pruebas de predicción del entrenamiento. Para ello se usó lo que
es Google Colab, el cual ofrece GPU y TPU online.

Para verificar la precisión de la inteligencia artificial se realizó una gráfica de la curva de

aprendizaje, es decir la Figura 7, donde podremos observar la exactitud y los valores perdidos
en cada época realizada.

Figura 7. Figura de evaluación de precisión.

Fuente: Elaboración propia.

Una vez entrenada la inteligencia artificial se descargó el modelo entrenado para poder aplicarlo
en el software.Para verificar el correcto funcionamiento de la detección de la IA se desarrolló un
código para poder probar esta con imágenes. En este se importó las librerías necesarias para
utilizar el modelo descargado. Este código permite abrir una imagen y con un botón poder
realizar la predicción de la IA. Al presionar el botón se realiza un procedimiento digital en la
imagen seleccionada, y así, la IA realice la detección. Posteriormente el código envía la imagen
a la para realizar la predicción e imprime el resultado que detecta este. Para este código se
trabajó en Jupyter, el diagrama de flujo de este código se lo contempla en la Figura 8 y el
resultado en la Figura 9.
 20

Figura 8. Diagrama de flujo - Prueba de IA.

Fuente: Elaboración propia.

Figura 9. Pruebas de detección de la IA.

Fuente: Elaboración propia.

Se usaron imágenes del entrenamiento como también imágenes obtenidas en el IGBJ e

imágenes descargadas en internet para verificar la detección de la inteligencia artificial. Se
obtener un entrenamiento listo para usar en un software.
 21

2.2. Diseño de base de datos

Para el diseño de la base de datos se tomó en cuenta los siguientes parámetros que de igual
manera deberán estar incluidos en un informe de colonoscopía/gastroscopia. Ver Figura 10.

Figura 10. Estructura de la base de datos.

Fuente: Elaboración propia.

Para la gestión de la base de datos se usó SQLite, donde se priorizó datos importantes que se
debe tener en un informe y estudio de endoscopia, así también datos de los doctores que
lleguen a registrarse. Estos datos fueron agregados mediante consultas SQL en un archivo
“DB_Cromoendoscopia.db” logrando así almacenar los datos necesarios, permitiendo al
software la lectura de estos datos.

2.3. Cromoendoscopia digital

Para la aplicación de cromoendoscopia digital la empresa DOTMED S.R.L., representante de la
marca FUJIFILM a nivel Bolivia, brindó los equipos de endoscopia para poder observar los
filtros que ofrece el procesador de video para la denotación de las afecciones.
 22

Según una capacitación que se dio en la empresa respecto al funcionamiento de los equipos, la
hemoglobina absorbe energía de la luz con una longitud de onda de 415 y 540 nm, luz azul y
verde. La luz azul como longitud de onda corta penetra fácilmente en la mucosa sin dispersión y
es absorbida por el vaso.

Como resultado, los microvasos superficiales tienen una imagen de alto contraste. Por otro
lado, la luz de longitud de onda larga se dispersa fácilmente cuando llega a la mucosa y es mal
absorbida por los vasos, por lo que los microvasos superficiales se visualizan en contraste bajo
con contornos borrosos debido a la dispersión, mientras que los vasos sanguíneos profundos
tienen un contraste alto.

Esta marca trabaja generalmente con 3 filtros con patrones determinados que ayudan a denotar
afecciones en el:
 Esófago. Aplica un contraste.
 Estómago. Aumenta el brillo de la imagen.
 Colon. Aplica un contraste en los márgenes de lesiones glandulares en el colon.

También se obtuvo información de una capacitación que se dio en la empresa logrando obtener
los rangos de longitud de onda aproximados para poder aplicar estos filtros. Para estos se usa
una configuración RGB más su ganancia teniendo los siguientes resultados, ver Tabla 1.

Tabla 1. Configuración RGB.

Area Nro Filtro R gain G gain B gain
Estómago 1 525 3 495 4 495 3
Esófago 2 550 2 500 4 470 4
Colón 3 505 2 505 4 420 5

Fuente: Elaboración propia

Con estos valores es logro obtener los filtros determinados y así denotar las afecciones
presentes en las áreas determinadas. Se realizó la comparación de los filtros desarrollados con
los filtros con los cual trabaja el procesador de video. Para ello se realizaron distintas pruebas
para llegar a obtener filtros semejantes a estos.
 23

2.4. Diseño y desarrollo de la aplicación de escritorio

Para el diseño de la aplicación de escritorio se realizó visitas a los centros de gastroenterología
en Cochabamba con la finalidad de consultar cuales son los requerimientos para una aplicación
que les sea útil al momento de realizar un estudio.

En conclusión, pidieron que esta aplicación sea didáctica, de fácil uso y que pueda realizar
informes de cada estudio realizado. Según las peticiones y sugerencias que nos dieron, se
diseñó un diagrama de flujo para el Login, Administrador (ver Figura 11) y Doctor el cual se
dividió 2 partes para las 3 acciones que realizará este, como se muestra en la Figura 12 y 13.

Figura 11. Diagrama de flujo. Login y Administrador.

Fuente: Elaboración propia.

 24

Figura 12. Diagrama de flujo. Doctor_1. Selección de actividad – Realizar Estudio.

Fuente: Elaboración propia.

 25

Figura 13. Diagrama de flujo. Doctor_2. Selección de actividad – Informes y Pacientes.

Se introdujo una clave maestra con la finalidad de que este software no llegue a darse un plagio
o copia de este en distintas computadoras. Esta clave maestra llega a demostrarse en la
siguiente ventana, ver Figura 14.

Figura 14. Pantalla clave maestra.

Fuente: Elaboración Propia.

 26

Una vez ingresada la clave maestra el software nos brinda un link para poder ingresar a la
aplicación web, demostrado en la figura 15. Ingresando al link nos direcciona al Login principal,
donde brindó las opciones de ingresar como administrador o doctor, ver Figura 16.

Figura 15. Link de direccionamiento.

Fuente: Elaboración propia.

Figura 16. Login principal.

Fuente: Elaboración propia.

 27

Al presionar el botón “Ingreso Administradores” o “Ingreso Doctores”, el software se conectó con

la base de datos con la finalidad de realizar una consulta y verificar si los datos Usuario y
Contraseña están registrados en la base de datos, ver Figura 17.

Figura 17. Pantallas de Ingreso Administradores y Doctores

Fuente: Elaboración propia.

El administrador ingresó al software permitiendo verificar los doctores y los pacientes

registrados, ver Figura 18.

Figura 18. Pantalla de inicio Administrador

Fuente: Elaboración Propia.

 28

El administrador podrá ver un listado de los usuarios registrados, ya sean Doctores o Pacientes
el Administración puede gestionar los datos de los usuarios mencionados, Figura 19.

Figura 19. Listado de usuarios registrados. Doctores - Pacientes.

Fuente: Elaboración propia.

 29

Cuando el administrador realiza una búsqueda de doctor o paciente ingresando su CI, el

software abre otra pestaña en la cual brinda la información respectiva y la opción de modificar
sus datos o eliminar su registro, ver Figura 20. Cabe mencionar que el administrador igual
puede ver los informes guardados que se realizaron a los pacientes.

Figura 20. Ver datos registrados del usuario. Doctor - Paciente

Fuente: Elaboración propia.

 30

En el caso de que el administrador desee modificar, el software abre otra ventana para poder,
de manera sencilla, editar los datos de los usuarios, como se muestra en la Figura 21.

Figura 21. Editar datos del usuario. Doctor - Paciente.

Fuente: Elaboración propia.

 31

Así como el software permitió modificar datos de usuarios registrados también permite realizar
el registro de nuevos usuarios. Para ello se agregó un botón en las listas de usuarios
registrados demostrado en la Figura 19. Observando la Figura 22 podemos visualizar el registro
de nuevos usuarios y pacientes.

Figura 22. Registro de usuarios. Doctor/Paciente.

Fuente: Elaboración propia.

 32

En caso de que el doctor ingrese al software, la aplicación muestra las opciones de “Realizar
Estudio”, “Pacientes”, “Informes” y “Cerrar Sesión”, ver Figura 23.

Figura 23. Pantalla de inicio Doctor.

Fuente: Elaboración propia.

A diferencia del usuario Administrador, el software permite al doctor gestionar solo los datos del
paciente y los informes guardados en cada estudio realizado. El software mostró en una
ventana la lista de los pacientes registrados con su Nombre, Apellido y su Cedula de Identidad
(CI), brindó la opción de buscar pacientes mediante su CI y modificar sus datos, como también
poder borrar algún paciente, ver Figura 24.

Figura 24. Lista y modificado de datos del Paciente.

Fuente: Elaboración propia.

 33

Del mismo modo con los informes que se guardaron en el estudio realizado, el software permitió
ver un listado de los informes realizados por paciente, al ver los datos del paciente el software
brinda un botón para ver los informes de los estudios realizados, ver Figura 25.

Figura 25. Lista y modificado de informes realizados.

Fuente: Elaboración propia.

 34

El software también dio la opción de generar una plantilla en PDF del informe realizado, listo
para imprimir, ver Figura 24. Cabe mencionar que los datos de la plantilla pueden ser
modificados con la finalidad de tener una plantilla respectiva para el centro donde se instaló el
software.

Figura 26. Plantilla de informe.

Fuente: Elaboración propia.

Para el estudio el software realizó una consulta sobre que paciente se realizará el estudio
atreves de su CI. En caso de que el CI no exista el software permite registrarlo en la ventana
donde se demuestra el listado, ver Figura 27.

Figura 27. Selección de paciente para el estudio.

Fuente: Elaboración propia.

 35

Posteriormente el software muestra los datos del paciente seleccionado y pide confirmación de
la selección, como se muestra en la figura 28.
Figura 28. Detalles del paciente.

Fuente: Elaboración propia.

Luego busca las cámaras disponibles en la computadora y permite, en una ventana, seleccionar
la que corresponde al videoprocesador.
Una vez detectada la cámara el software permitió realizar el estudio dando la opción de tomar
fotografías (Figura 29), selección de cámara, cambio de filtros y activación de IA.

Figura 29. Procedimiento de estudio de colonoscopia – Captura de imagen.

 36

Fuente: Elaboración propia.

En la ventana de selección de cámara el software logró tomar fotografías del estudio, activar la
detección de la inteligencia artificial y aplicar filtros sobre la ventana con la imagen del
videoprocesador. Una vez activada la detección con inteligencia artificial el software brinda una
alerta sonora al detectar un pólipo obligando así al médico revisar que detectó el software. Este
también muestra una notificación al activar y desactivar la IA, como se muestra en la Figura 30.

Figura 30. Detección con Inteligencia Artificial Activada/Desactivada.

 37

Fuente: Elaboración propia.

El software también ofrece lo que son los 3 filtros para denotar afecciones, ver Figura 31.

Figura 31. Filtros que ofrece el software.

 38

Fuente: Elaboración propia.

Culminado el estudio, el médico debe presionar “Realizar Informe” para que el software
despliegue la ventana de generación de plantilla de informe. En esta ventana el software pide
algunos datos adicionales para la plantilla de informe, como ser la procedencia del estudio
realizado, médico remitente, número de habitación en la que se realizó el estudio, número de
cama, el tipo de estudio, pre medicación suministrada al paciente y el diagnostico final del
doctor. El software también permitió seleccionar las imágenes de mayor importancia en el
estudio con la finalidad de corroborar lo mencionado en el diagnóstico, ver Figura 32.

Figura 32. Recolección de datos para la planilla de informe.

 39

Fuente: Elaboración propia.

Una vez culminado el llenado de los espacios, el software permite guardar el informe y da una
visualización resumen de la plantilla de informe, dando la opción de imprimir y generar la
plantilla en PDF, ver Figura 33. Se realizó 2 plantillas de informe para 2 distintos centros que
cuentan con áreas de endoscopia para poder realizar los estudios, entre ellos la clínica “Clínica
Los Ángeles” y la “Central Integral de Diagnostico Digestivo”. Entre ellas también se incluyó una
plantilla para el “Hospital Univalle”, ver Figura 34.

Figura 33. Resumen de plantilla de informe.

 40

Fuente: Elaboración propia.

Figura 34. Plantillas de informe.
 41

Fuente: Elaboración propia

 42

CAPÍTULO III
RESULTADOS Y DISCUSIÓN
 43

CONCLUSIONES
Para el desarrollo del proyecto se logró recaudar y seleccionar la información útil para el
proyecto logrando así entrenar y poner a prueba una inteligencia artificial capaz de realizar
detección de pólipos. Del mismo modo para el desarrollo de la aplicación web y su base de
datos, se logró recaudar información para el diseño de una base de datos apta para el estudio
de endoscopia/colonoscopia y el diseño de una aplicación web.

Se diseñó, entrenó y se puso a prueba una inteligencia artificial con GoogleColab y Jupyter,
permitiendo ingresar imágenes aplicar la detección de esta. Se desarrolló los filtros similitudes
aplicadas en la cromoendoscopia digital, llegando a la conclusión que estos filtros desarrollados
no son iguales que los que brindan los equipos ya que estos cuentan con años de experiencia
en el desarrollo de estos.

Una vez diseñada la aplicación web, se desarrolló

RECOMENDACIONES

BIBLIOGRAFIA

Bonnington, S. N., & Rutter, M. D. (2016). Surveillance of colonic polyps: Are we getting it right?
World Journal of Gastroenterology, 22(6), 1925–1934. https://doi.org/10.3748/wjg.v22.i6.1925

Catalán Urzúa. (s.f.). Técnicas de procesamiento digital de imágenes | Revista de Marina. Home
| Revista de Marina. https://revistamarina.cl/es/articulo/tecnicas-de-procesamiento-digital-de-
imagenes

Chollet, F. (2018). Limitations of Deep Learning. Import.Io, or ML, 1–20.

https://www.import.io/post/history-of-deep-learning/
 44

Clínica Universidad de Navarra. (s.f.). Gastroscopia digestiva: Qué es, preparación…

Diagnóstico. Clínica Universidad de Navarra.
https://www.cun.es/enfermedades-tratamientos/pruebas-diagnosticas/gastroscopia

Collette A. (s.f.). Collette_2014_Python and HDF5.

https://twiki.cern.ch/twiki/pub/Sandbox/JaredDavidLittleSandbox/PythonandHDF5.pdf

Costo por procedimiento. (s.f.). Endoscopía, estudio de imagen de gran utilidad

médica. http://costoxprocedimiento.com.mx/servicios-integrales-endoscopia/?p=2194

Darias Pérez, S. (2021, 9 de septiembre). Gestor de Base de datos: Qué es, Funcionalidades y
Ejemplos. Intelequia. https://intelequia.com/es/blog/post/gestor-de-base-de-datos-qué-es-
funcionalidades-y-ejemplos

DataScientest. (s.f.). Matplotlib: todo lo que tienes que saber sobre la librería Python de Dataviz.
Formation Data Science | DataScientest.com. https://datascientest.com/es/todo-sobre-matplotlib

Dignass, A., Eliakim, R., Magro, F., Maaser, C., Chowers, Y., Geboes, K., Mantzaris, G.,
Reinisch, W., Colombel, J. F., Vermeire, S., Travis, S., Lindsay, J. O., & Van Assche, G. (2012).
Second European evidence-based consensus on the diagnosis and management of ulcerative
colitis Part 1: Definitions and diagnosis. Journal of Crohn’s and Colitis, 6(10), 965–990.
https://doi.org/10.1016/j.crohns.2012.09.003

Elebi, C. M. (2020). Inteligencia Artificial y Salud. 58.

http://repositorio.udesa.edu.ar/jspui/handle/10908/17691

Galán, E. F., Puerto, D. N., Salazar, L. J., Oliveros, R., & Arredondo, L. G. (2015). Manual para
la detección temprana del cáncer de colon y recto.
https://www.cancer.gov.co/files/libros/archivos/Colon

García Pérez, L. A. (2021, 1 de septiembre). ¿Qué son las redes neuronales y cómo
funcionan? Universidad Central. https://www.ucentral.edu.co/noticentral/redes-
neuronales#:~:text=Las%20Redes%20Neuronales%20Artificiales%20son%20sistemas%20de
%20información%20cuyo%20funcionamiento,numérico%20modificable%20conocido%20como
%20peso.
 45

Gastrocal. (2017). Cromoendoscopia digital.

https://www.gastrocal.com.co/servicios/endoscopia-digestiva/cromoendoscopia-digital/
#:~:text=La%20cromoendoscopia%20es%20un%20método,otras%20lesiones%20del%20tracto
%20gastrointestinal.

Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn. https://bedford-

computing.co.uk/learning/wp-content/uploads/2015/10/Python-for-Data-Analysis.pdf

JACAR. (2023, 18 de marzo). Modelos pre-entrenados y transferencia de aprendizaje - Jacar.

Jacar. https://jacar.es/modelos-pre-entrenados-y-transferencia-de-aprendizaje/

Larkin, J. (2022, 15 de junio). ¿Qué es TensorFlow y para qué sirve? ¿Qué es TensorFlow y
para qué sirve? https://www.incentro.com/es-ES/blog/que-es-tensorflow

López, L., & Olivencia, P. (2008). Información Al Paciente. Revista Española.

http://scielo.isciii.es/pdf/diges/v100n6/paciente.pdf

Martínez-Sapiña Llanas, M. J., Otero Muinelo, S. A., & Crespo García, C. (2018). Patología del
recto: hallazgos en la colonografía-TC. Radiología, 60(3), 208–216.
https://doi.org/10.1016/j.rx.2017.10.005

Mayo Clinic. (2023, 27 de enero). Colitis ulcerosa - Síntomas y causas - Mayo Clinic. Top-
ranked Hospital in the Nation – Mayo
Clinic. https://www.mayoclinic.org/es/diseases-conditions/ulcerative-colitis/symptoms-causes/
syc-20353326

Mayo Clinic. Esofagitis - Síntomas y causas - Mayo Clinic. Top-ranked Hospital in the Nation –
Mayo Clinic. https://www.mayoclinic.org/es/diseases-conditions/esophagitis/symptoms-causes/
syc-20361224

Mayo Clinic. Pólipos en el colon. https://www.mayoclinic.org/es-es/diseases-conditions/colon-

polyps/symptoms-causes/syc-20352875?p=1

MedlinePlus. Enfermedades digestivas: MedlinePlus enciclopedia médica. MedlinePlus - Health

Information from the National Library of
 46

Medicine. https://medlineplus.gov/spanish/ency/article/007447.htm#:~:text=Problemas
%20intestinales,%20como%20pólipos%20y,péptica%20y%20hernia%20de%20hiato

Oracle. (s.f.). ¿Qué es una base de datos? Oracle | Cloud Applications and Cloud
Platform. https://www.oracle.com/mx/database/what-is-database/#:~:text=Una%20base%20de
%20datos%20es,bases%20de%20datos%20(DBMS).

Salcedo, L. (2017, 11 de noviembre). Procesamiento de Imágenes con Python y Pillow - Mi

Diario Python. Mi Diario Python. https://pythondiario.com/2017/11/procesamiento-de-imagenes-
con-python-y-2.html

Sotaquirá, M. (2022, 14 de diciembre). 1 - ¿Qué es NumPy? | Codificando Bits. Codificando

Bits. https://www.codificandobits.com/curso/numpy-ciencia-de-datos-machine-learning/1-que-es-
numpy/

Staff, T. M. E. (2022, 2 de mayo). Datos clave: Endoscopia - Manuale Merck versión para el
público general. Manuale Merck versión para el público
general. https://www.merckmanuals.com/es-us/hogar/breve-información-trastornos-digestivos/
diagnóstico-de-los-trastornos-digestivos/endoscopia

Unipython. (s.f.). Introducción y Procesamiento de imágenes en Python con OpenCV - ▷

Cursos de Programación de 0 a Experto © Garantizados. Cursos de Programación de 0 a
Experto © Garantizados. https://unipython.com/introduccion-procesamiento-imagenes-python-
opencv/