Please use this identifier to cite or link to this item: https://rinacional.tecnm.mx/jspui/handle/TecNM/14176
Title: DESARROLLO DE UN SISTEMA INTELIGENTE DE APOYO A LA DECISION CLINICA PARA EL DIAGNOSTICO DE CANCER DE MAMA UTILIZANDO VISION ARTIFICIAL, DEEP Y TRANSFER LEARNING Y EXPLAINABLE AI
Authors: ARENAS HERNANDEZ, EDUARDO
Issue Date: 2026-05-01
Publisher: Tecnológico Nacional de México
metadata.dc.publisher.tecnm: Instituto Tecnológico de Orizaba
Description: El cáncer de mama constituye un desafío prioritario de salud pública y una de las principales causas de mortalidad femenina a nivel nacional. La literatura médica establece que el pronóstico de supervivencia depende directamente del diagnóstico temprano mediante tamizaje mastográfico. Sin embargo, áreas operativas clave como el Hospital General Regional de Orizaba (HGRO) No.1 del IMSS de Orizaba, enfrentan serios cuellos de botella debido al alto volumen de estudios. Esta saturación fomenta la fatiga visual en los especialistas, incrementando el riesgo de emitir diagnósticos tardíos o incurrir en falsos negativos durante estadios de desarrollo tumoral encubierto. Como aportación de ingeniería e inteligencia artificial a esta problemática institucional, la presente investigación de grado expone el diseño, entrenamiento y validación de "Píxel Med AI", un Sistema de Soporte a la Decisión Clínica (CDSS). El objetivo central del proyecto radicó en desarrollar una herramienta predictiva basada en Inteligencia Artificial capaz de analizar topográficamente la agresividad de nódulos y microcalcificaciones mamarias. Su propósito no es sustituir el dictamen del médico radiólogo, sino proveer un escudo de "Segunda Opinión" automática que mitigue la carga sistémica del hospital y reduzca el margen de error humano. El marco analítico se ejecutó bajo una metodología cuantitativa, multimodal y aplicada. Para conformar la matriz de entrenamiento de la red, se homologaron acervos radiográficos locales en formato DICOM junto con la base académica abierta CBIS-DDSM. La fase de preprocesamiento abarcó la segmentación de Regiones de Interés (ROI) y el Aumento de Datos (Data Augmentation) para equilibrar estadísticamente las muestras patológicas. A diferencia del software médico tradicional estructurado con vectores fijos, este modelo se cimenta puramente sobre el espectro del Aprendizaje Profundo (Deep Learning). Para evadir la escasez de datos médicos dictada por las normativas de privacidad, la arquitectura técnica integró la Transferencia de Aprendizaje (Transfer Learning). Al importar redes residuales de alto rendimiento, la investigación focalizó el poder de cómputo únicamente en el reajuste fino (Fine-Tuning) de las capas de inferencia frente al tejido del seno mamario. Operativamente, el sistema utiliza Redes Neuronales Convolucionales (CNN) amparadas bajo el paradigma dinámico de Aprendizaje Multitarea (Multi-Task Learning). Esta estructura permite a Píxel Med AI disgregar asimetrías complejas en la imagen y emitir una clasificación nativa acotada a la normativa probabilística ACR BI-RADS y al Consenso Colima 2025. Adicionalmente, el proyecto resolvió el riguroso obstáculo bioético del diagnóstico de "Caja Negra", integrando Inteligencia Artificial Explicable (xAI) a través de Mapas de Activación Grad-CAM, el algoritmo transparenta su raciocinio iluminando con mapas de calor las zonas exactas de la mastografía sobre las cuales basó matemáticamente su presunción de malignidad. La evaluación transversal del modelo confirmó una estabilización de aprendizaje lograda gracias a procesos de regularización Dropout y restricciones de Parada Temprana (Early Stopping). Las métricas arrojaron un poder predictivo sobresaliente, consolidando un 94.6% de Sensibilidad diagnóstica real. Se concluye que Píxel Med AI conforma un ecosistema de triaje altamente confiable, capaz de abatir los tiempos de lectura radiológica y maximizar significativamente la ventana curativa para preservar la vida de las pacientes del sector hospitalario.
metadata.dc.type: info:eu-repo/semantics/masterThesis
Appears in Collections:Maestría en Ingeniería Industrial

Files in This Item:
File Description SizeFormat 
Licencia_Uso_CVU_1342136.pdf400.54 kBAdobe PDFView/Open
TESIS EDUARDO ARENAS HERNÁNDEZ.pdf5.08 MBAdobe PDFView/Open


This item is protected by original copyright



This item is licensed under a Creative Commons License Creative Commons