Integración de la Inteligencia Artificial en el Diagnóstico y Pronóstico del Cáncer de Mama en México
Resumen
El uso de Machine Learning (aprendizaje automático) en el diagnóstico y pronóstico del cáncer de mama ha revolucionado la atención médica a nivel mundial. Esta tecnología aprovecha algoritmos avanzados de aprendizaje supervisado, no supervisado, deep learning, redes neuronales y análisis de datos masivos para identificar patrones en imágenes de mastografías, biopsias y datos clínicos de pacientes. El resultado es una detección más temprana y precisa del cáncer de mama, lo que permite un tratamiento más oportuno y efectivo. Además, esta importante rama de la inteligencia artificial como lo es el aprendizaje automático puede generar un pronóstico de la enfermedad más certero, lo que ayuda a personalizar el tratamiento del paciente y mejorar los resultados clínicos de los mismos. Es por eso que el propósito de este artículo es mostrar como esta aplicación innovadora de la tecnología está transformando la atención médica en la lucha contra las enfermedades, concretamente, el cáncer de mama.
Descargas
Citas
Barrientos, L. Peñin, et. Al, “Coordenadas” en Fundamentos de Robótica, 2da ed., vol. 2, Ed. McGraw-Hill, España, 2007, pp. 217–29.
Barrón-Gallardo CA, Jave-Suarez LF, AguilarLemarroy A. Historia del cáncer de mama. Rev Med Inst Mex Seguro Soc. 2020;58 Supl 1:S75-82.
Biopsia de mama femenina: MedlinePlus Enciclopedia Médica Illustración. (s. f.).
https://medlineplus.gov/spanish/ency/esp_imagepages/8626.htm
Datos Abiertos de México - datos.gob.mx. (s. f.). https://datos.gob.mx/
Diccionario de Cáncer del NCI. (s. f.). Instituto Nacional del Cáncer.
https://www.cancer.gov/espanol/publicaciones/diccionarios/diccionario-cancer/def/mamografia
E. E. Reber, R. L. Mitchell, y C. J. Carter, "Oxygen absorption in the Earth's atmosphere," Aerospace Corp., Los Angeles, CA, Tech. Rep. TR-0200 (4230-46)-3, Nov. 1968.
E. H. Miller, “A note on reflector arrays” [online] IEEE Trans. Antennas Propag., vol. 53, pp. 475, 2005. Dirección de internet: http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=1549967&tag=1
G. Brandli, M. Dick, "Alternating current fed power supply," U.S. Patente 4 084 217, Nov. 4, 1978. Grossfeld, B. (2023, 10 julio). Aprendizaje profundo vs. aprendizaje automático. ¿En qué se diferencian? Zendesk Español.https://www.zendesk.es/blog/machine-learning-and-deep-learning/
G. O. Young, “Synthetic structure of industrial plastics” in Plastics, 2nd ed., vol. 3, J. Peters, Ed. New York: McGraw-Hill, 1964, pp. 15-64.
IEEE Guide for Application of Power Apparatus Bushings, IEEE Standard C57.19.100-1995, Aug. 1995.
Introduction to Keras for Engineers. (s. f.). Keras.io.
https://keras.io/getting_started/intro_to_keras_for_engineers/
J. Basantes, F. Torres, “Desarrollo de un Sistema de Control para un Brazo Robótico mediante Adquisición y Procesamiento de Imágenes” Proyecto de titulación, Escuela Politécnica Nacional, Quito, Ecuador. Feb. 2009.
J. Lau, “Directrices internacionales para la alfabetización informativa” [online]. México: Universidad Veracruzana, 2004. Dirección de internet:
http://bivir.uacj.mx/dhi/DoctosNacioInter/Docs/Directrices.pdf
J. P. Wilkinson, “Nonlinear resonant circuit devices,” U.S. Patent 3 624 125, July 16, 1990.
J. Riess, J. J. Abbas, “Adaptive control of cyclic movements as muscles fatigue using functional neuromuscular stimulation”. IEEE Trans. Neural Syst. Rehabil. Eng vol. 9, pp.326–330, 2001.
L.M. Moreno, "Computación paralela y entornos heterogéneos," Tesis doctoral, Dep. Estadística, Investigación Operativa y Computación, Universidad de La Laguna, La Laguna, 2005.
L. Stein, “Random patterns,” in Computers and You, J. S. Brake, Ed. New York: Wiley, 2004, pp. 55-70.
M. A. Brusberg and E. N. Clark, “Installation, operation, and data evaluation of an oblique-incidence ionosphere sounder system,” in “Radio Propagation Characteristics of the Washington-Honolulu Path,” Stanford Res. Inst., Stanford, CA, Contract NOBSR-87615, Final Rep., Feb. 1995, vol. 1
Motorola Semiconductor Data Manual, Motorola Semiconductor Products Inc., Phoenix, AZ, 1989.
Norvig, P., & Russell, S. J. (2009). Inteligencia Artificial: Un Enfoque Moderno (3.a ed.). Prentice Hall.
OpenCV. (2023, 9 noviembre). OpenCV - Open Computer Vision Library. https://opencv.org/
Osorio BN, Bello HC, Vega BL. Factores de riesgo asociados al cáncer de mama. Rev Cubana Med Gen Integr. 2020;36(2):1-13.
PyTorch. (s. f.). PyTorch. https://pytorch.org/
SciKit-Learn: Machine Learning in Python — SciKit-Learn 1.3.2 documentation. (s. f.)
https://scikit-learn.org/stable/
Slim, F. C. (2020, 16 junio). El MIT trabaja con inteligencia artificial para detectar el cáncer de mama hasta con 5 años de anticipación. Salud Digital. https://saluddigital.com/es/big-data/el-mit-trabaja-con-inteligencia-artificial-para-detectar-el-cancer-de-mama/
S.M. Newman, “Active damping control of a flexible space structure using piezoelectric sensors and actuators” Master Thesis, U.S. Naval Postgraduate School, 1992.
TensorFlow. (s. f.). TensorFlow. https://www.tensorflow.org/?hl=es-419
Ultrasonido mamario: estudio complementario y efectivo. (s. f.). Top Doctors. https://www.topdoctors.mx/articulos-medicos/ultrasonido-mamario-estudio-complementario-y-efectivo/
Vázquez, Rolando, Presentación curso “Realidad Virtual”. National Instruments. Colombia, 2009.
W. Rafferty, “Ground antennas in NASA’s deep space telecommunications,” Proc. IEEE vol. 82, pp. 636-640, 1994.
Derechos de autor 2024 Marco Antonio Rodríguez Zúñiga, Edel Pérez Esparza
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.jpg)
