Desarrollo de un sistema para la detección de leishmaniasis cutánea utilizando inteligencia artificial
Palabras clave:
leishmaniasis cutanea, deteccion temprana, inteligencia artificial, procesamiento de imagenesResumen
La leishmaniasis es una enfermedad parasitaria diseminada por la picadura de mosquitos infectados del género Lutzomyia, Colombia es considerada como uno de los países de América Latina con una alta incidencia de esta, siendo la Leishmaniasis Cutánea la forma más común, representando un problema de salud pública, pues sus lesiones pueden variar ampliamente en apariencia y características, dificultando su diagnóstico e identificación. Actualmente se evidencia la necesidad de crear una base de datos que documente las lesiones de la enfermedad y el historial de la población afectada en el departamento Norte de Santander, por lo que se hace necesario establecer nuevas técnicas de detección y diagnóstico preliminar de la enfermedad, debido a que las técnicas convencionales pueden presentar limitaciones en términos de sensibilidad, especificidad y facilidad de uso. Esta propuesta está orientada al desarrollo e implementación de un sistema para la detección de la enfermedad aplicando técnicas de inteligencia artificial que puedan desempeñar un papel en la identificación temprana de la Leishmaniasis Cutánea, al analizar las señales digitales de las lesiones en la piel, y de esta manera con ayuda del aplicativo web creado, contribuir al procesamiento y almacenamiento de la información sobre esta enfermedad, para finalmente poder validar la confiabilidad del sistema de aprendizaje por medio de pruebas de laboratorio.
Citas
S. H. Park y K. Han, «Methodologic Guide for Evaluating Clinical Performance and Effect of Artificial Intelligence Technology for Medical Diagnosis and Prediction», Radiology, vol. 286, n.o 3, pp. 800-809, mar. 2018, doi: 10.1148/radiol.2017171920.
Y. Mintz y R. Brodie, «Introduction to artificial intelligence in medicine», Minimally Invasive Therapy & Allied Technologies, vol. 28, n.o 2, pp. 73-81, mar. 2019, doi: 10.1080/13645706.2019.1575882.
L. L. Robert y M. Debboun, «146 - Arthropods of Public Health Importance», en Hunter’s Tropical Medicine and Emerging Infectious Diseases (Tenth Edition), E. T. Ryan, D. R. Hill, T. Solomon, N. E. Aronson, y T. P. Endy, Eds., London: Elsevier, 2020, pp. 1055-1062. doi: 10.1016/B978-0-323-55512-8.00146-0.
K. Rossanet et al., «Panorama de enfermedades tropicales desatendidas durante la pandemia COVID-19 (Divulgación)», Bioagrociencias, vol. 15, jun. 2022, doi: 10.56369/BAC.4353.
K. Ganasegeran y S. A. Abdulrahman, «Artificial Intelligence Applications in Tracking Health Behaviors During Disease Epidemics», en Human Behaviour Analysis Using Intelligent Systems, D. J. Hemanth, Ed., en Learning and Analytics in Intelligent Systems. Cham: Springer International Publishing, 2020, pp. 141-155. doi: 10.1007/978-3-030-35139-7_7.
M. Zare et al., «A Machine Learning-Based System for Detecting Leishmaniasis in Microscopic Images», In Review, preprint, ago. 2021. doi: 10.21203/rs.3.rs-677539/v1.
R. A. Salinas Franco et al., «Descriptores MAC en la detección temprana del cáncer cervical usando técnicas de procesamiento de imágenes», Revista Cubana de Ciencias Informáticas, vol. 16, n.o 1, pp. 1-16, mar. 2022.
D. Castillo Berná, «Redes neuronales convolucionales para el reconocimiento de enfermedades de la piel», Convolutional neural networks for skin diseases recognition, jun. 2022, Accedido: 13 de julio de 2023. [En línea]. Disponible en: https://riuma.uma.es/xmlui/handle/10630/25139
A. A. Angulo Gastelbondo, «Aplicación de una técnica de aprendizaje profundo de identificación de objetos en el análisis de imágenes histológicas de piel humana normal», 2022, Accedido: 13 de julio de 2023. [En línea]. Disponible en: https://repositorio.unbosque.edu.co/handle/20.500.12495/9410
S. A. Machuca Vivar et al., «Habeas data y protección de datos personales en la gestión de las bases de datos», Revista Universidad y Sociedad, vol. 14, n.o 2, pp. 244-251, abr. 2022.
G. M. Tejada Layme y R. P. Gonzales Chama, «Arquitectura de red neuronal convolucional para diagnóstico de cáncer de piel», Universidad Tecnológica del Perú, 2020, Accedido: 14 de julio de 2023. [En línea]. Disponible en:http://repositorio.utp.edu.pe/handle/20.500.12867/3043
P. Valeiro Pena, «Aplicación de técnicas de Visión Artificial en la detección de estructuras anatómicas en imágenes médicas de rodilla», 2021, Accedido: 14 de julio de 2023. [En línea]. Disponible en: https://ruc.udc.es/dspace/handle/2183/29840
H. Singh, «Basics of Python and Scikit Image», en Practical Machine Learning and Image Processing: For Facial Recognition, Object Detection, and Pattern Recognition Using Python, H. Singh, Ed., Berkeley, CA: Apress, 2019, pp. 29-61. doi: 10.1007/978-1-4842-4149-3_3.
C. R. Harris et al., «Array programming with NumPy», Nature, vol. 585, n.o 7825, Art. n.o 7825, sep. 2020, doi: 10.1038/s41586-020-2649-2.
Z. Wang, K. Liu, J. Li, Y. Zhu, y Y. Zhang, «Various Frameworks and Libraries of Machine Learning and Deep Learning: A Survey», Arch Computat Methods Eng, feb. 2019, doi: 10.1007/s11831-018-09312-w.
Á.-J. Rico-Díaz, «An Application of Fish Detection Based on Eye Search with Artificial Vision and Artificial Neural Networks», 2020.
S. Dome y A. P. Sathe, «Optical Charater Recognition using Tesseract and Classification», en 2021 International Conference on Emerging Smart Computing and Informatics (ESCI), mar. 2021, pp. 153-158. doi: 10.1109/ESCI50559.2021.9397008.
M. A. Al-masni, D.-H. Kim, y T.-S. Kim, «Multiple skin lesions diagnostics via integrated Deep convolutional networks for segmentation and classification», Computer Methods and Programs in Biomedicine, vol. 190, p. 105351, jul. 2020, doi: 10.1016/j.cmpb.2020.105351.
Z. Wang, E. Wang, y Y. Zhu, «Image segmentation evaluation: a survey of methods», Artif Intell Rev, vol. 53, n.o 8, pp. 5637-5674, dic. 2020, doi: 10.1007/s10462-020-09830-9.
E. M. Senan y M. E. Jadhav, «Analysis of dermoscopy images by using ABCD rule for early detection of skin cancer», Global Transitions Proceedings, vol. 2, n.o 1, pp. 1-7, jun. 2021, doi: 10.1016/j.gltp.2021.01.001.
G. I. Viera Maza, «Procesamiento de imágenes usando OpenCV aplicado en Raspberry Pi para la clasificación del cacao», Universidad de Piura, jul. 2017, Accedido: 18 de julio de 2023. [En línea]. Disponible en: https://pirhua.udep.edu.pe/handle/11042/2916
M. H. Metib, M. F. Abdulhssien, y A. A. Abdulmunem, «Skin Dermatitis Detection using Image Segmentation Techniques», IOP Conf. Ser.: Mater. Sci. Eng., vol. 928, n.o 3, p. 032018, nov. 2020, doi: 10.1088/1757-899X/928/3/032018.
O. O. Olugbara, T. B. Taiwo, y D. Heukelman, «Segmentation of Melanoma Skin Lesion Using Perceptual Color Difference Saliency with Morphological Analysis», Mathematical Problems in Engineering, vol. 2018, p. e1524286, feb. 2018, doi: 10.1155/2018/1524286.
T. Saba, «Computer vision for microscopic skin cancer diagnosis using handcrafted and nonhandcrafted features», Microscopy Research and Technique, vol. 84, n.o 6, pp. 1272-1283,2021, doi: 10.1002/jemt.23686
N. F. Lattoofi et al., «Melanoma Skin Cancer Detection Based on ABCD Rule», en 2019 First International Conference of Computer and Applied Sciences (CAS), dic. 2019, pp. 154-157. doi: 10.1109/CAS47993.2019.9075465.
M. Goyal, A. Oakley, P. Bansal, D. Dancey, y M. H. Yap, «Skin Lesion Segmentation in Dermoscopic Images With Ensemble Deep Learning Methods», IEEE Access, vol. 8, pp. 4171-4181, 2020, doi: 10.1109/ACCESS.2019.2960504.
D. N. H. Thanh, V. B. S. Prasath, L. M. Hieu, y N. N. Hien, «Melanoma Skin Cancer Detection Method Based on Adaptive Principal Curvature, Colour Normalisation and Feature Extraction with the ABCD Rule», J Digit Imaging, vol. 33, n.o 3, pp. 574-585, jun. 2020, doi: 10.1007/s10278-019-00316-x.
G. Liu, F. A. Reda, K. J. Shih, T.-C. Wang, A. Tao, y B. Catanzaro, «Image Inpainting for Irregular Holes Using Partial Convolutions». arXiv, 15 de diciembre de 2018. doi: 10.48550/arXiv.1804.07723.
D. R. Sarvamangala y R. V. Kulkarni, «Convolutional neural networks in medical image understanding: a survey», Evol. Intel., vol. 15, n.o 1, pp. 1-22, mar. 2022, doi: 10.1007/s12065-020-00540-3.
E. Montero-Zeledón, M. A. Murillo-Fernández, L. A. Calvo-Valverde, J. E. Pérez Hidalgo, y D. Gutiérrez-Fallas, «Análisis de imágenes y cuantificación del color para el diagnóstico del cáncer de piel tipo melanoma en Costa Rica», may 2022, Accedido: 18 de julio de 2023. [En línea]. Disponible en: https://repositoriotec.tec.ac.cr/handle/2238/13873
A. D. Altuve Mouthon y E. E. Colón Muñoz, «Modelo de predicción de detección de melanomas a partir de características en imágenes de lesiones cutáneas», Thesis, Universidad del Sinú, seccional Cartagena, 2021. Accedido: 18 de julio de 2023. [En línea]. Disponible en: http://repositorio.unisinucartagena.edu.co:8080/xmlui/handle/123456789/459
Descargas
Archivos adicionales
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Journal of Microbiology & Health Education
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
