Sistema inteligente con Ensemble Learning para la identificación de Cáncer de Piel en Imágenes Clínicas en IREN NORTE 2024

• Autores: Mendoza Roncal, Edward Joel, Piedra Fernández, Gabriel Harahel
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Privada Antenor Orrego
• Repositorio: UPAO-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upao.edu.pe:20.500.12759/99652
• Enlace del recurso: https://hdl.handle.net/20.500.12759/99652
• Nivel de acceso: acceso abierto
• Materia: Cancer de Piel; Aprendizaje Profundo; https://purl.org/pe-repo/ocde/ford#2.02.04

La presente investigación aborda la problemática de la detección del cáncer de piel, una condición cuya incidencia ha aumentado significativamente en las últimas tres décadas, particularmente en poblaciones de piel clara. El objetivo principal fue desarrollar un modelo de diagnóstico automatizado basado en técnicas de aprendizaje profundo para la clasificación multiclase de tipos específicos de cáncer cutáneo: melanoma, carcinoma basocelular y carcinoma escamocelular. La metodología implementada se fundamentó en un enfoque de Ensemble Learning con la técnica de stacking, utilizando imágenes dermatoscópicas y clínicas, sometidas a un riguroso preprocesamiento para optimizar su calidad. Se integraron múltiples arquitecturas de redes neuronales preentrenadas, incluyendo EfficientNetV2B0, DenseNet121, ResNet50, InceptionV3, Xception y MobileNet complementadas con la técnica Grad-CAM para la visualización e interpretación de patrones diagnósticos relevantes. Los resultados obtenidos demuestran la efectividad del modelo propuesto, alcanzando una precisión del 90.7%, con un F1-score de 0.9041 y un coeficiente cohen kappa de 0.8353, superando significativamente el rendimiento de los modelos individuales y los métodos convencionales de diagnóstico basados en la regla ABCD. Como contribución práctica, se desarrolló una interfaz gráfica en Python para la versión de escritorio y una interfaz web desarrollada con React, lo que facilita la implementación clínica del modelo, permitiendo a los profesionales médicos realizar análisis diagnósticos de manera intuitiva y eficiente.