dc.contributor.author |
González Cuesta, Núria |
dc.date.accessioned |
2021-05-11T10:25:26Z |
dc.date.available |
2021-05-11T10:25:26Z |
dc.date.issued |
2021-05-11 |
dc.identifier.uri |
http://hdl.handle.net/10230/47391 |
dc.description |
Primer premi del XVIè Premi PRBB al millor treball de recerca en Ciències de la Salut i de la Vida |
dc.description |
Tutora: Rosa Riera (Institut Francesc Macià, Cornellà de Llobregat) |
dc.description.abstract |
L’objectiu d’aquest treball de recerca és demostrar que les noves tecnologies i en concret la Intel·ligència artificial (IA), poden ser de gran utilitat per diagnosticar determinades malalties, com el melanoma o càncer de pell. En primer lloc s’explicarà en què consisteix la intel·ligència artificial, amb un marc teòric que contempla la seva història, els diferents tipus d’IA existents i les seves branques, així com l’aplicabilitat d’aquestes tècniques per a l’anàlisi d’imatges i més concretament en medicina. Posteriorment tractaré el marc teòric de la pell i les seves malalties, amb un ampli estudi sobre el càncer de pell, quins tipus n’hi ha, com es produeixen, la seva evolució, els mètodes de diagnosi i el tractament de la malaltia, arribant a la conclusió de que un diagnòstic precoç és fonamental per a la curació. La part pràctica del projecte consisteix en el desenvolupament d’un programa informàtic, que a partir d’una imatge normal amb una càmera fotogràfica, sigui capaç de determinar si es tracta d’una pigmentació benigna o d’un melanoma maligne. Com que jo no era experta en el tema he hagut d’aprendre a programar en Python, que és un llenguatge de programació específic per desenvolupar algoritmes de Intel·ligència Artificial, i he aconseguit una base de dades amb 200 imatges de malalties de la pell (benignes i malignes), que ha estat analitzada prèviament per especialistes mèdics classificant les característiques de cada una d’elles. Amb aquesta informació i la utilització de Python he dissenyat i entrenat 12 mètodes diferents de classificació, que combinen xarxes neuronals, arbres de decisió i random forest, amb la selecció de les característiques generals de las imatges estudiades, el mètode ABCD (utilitzat pels especialistes mèdics en el diagnòstic), les característiques més importants i sense les característiques irrellevants. Aquests experiments m’han permès determinar quin és el mètode més precís per diagnosticar la malaltia, obtenint un resultat de diagnòstic correcte del 94%, superior a la mitjana obtinguda pels especialistes mèdics, que és del 86,6%. Finalment he fet una prova amb una imatge presa amb el meu telèfon mòbil, que he introduït al sistema per a que sigui processada i m’ha retornat un resultat correcte. Tot això ens fa arribar a la conclusió definitiva de que un sistema de IA correctament entrenat pot diagnosticar una malaltia de la pell amb més rapidesa i precisió que un metge especialista. |
dc.description.abstract |
El objetivo de este trabajo de investigación es demostrar que las nuevas tecnologías y en concreto la Inteligencia artificial (IA), pueden ser de gran utilidad para diagnosticar determinadas enfermedades, como el melanoma o cáncer de piel. En primer lugar se explicará en que consiste la inteligencia artificial, con un marco teórico que contempla su historia, los diferentes tipos de IA existentes y sus ramas, así como la aplicabilidad de estas técnicas para el análisis de imágenes y más concretamente en medicina. Posteriormente trataré el marco teórico de la piel y sus enfermedades, con un amplio estudio sobre el cáncer de piel, qué tipos hay, cómo se producen, su evolución, los métodos de diagnóstico y el tratamiento de la enfermedad, llegando a la conclusión de que un diagnóstico precoz es fundamental para la curación. La parte práctica del proyecto consiste en el desarrollo de un programa informático, que, a partir de una imagen normal hecha con cualquier cámara fotográfica, sea capaz de determinar si se trata de una pigmentación benigna o de un melanoma maligno. Como yo no era experta en el tema he tenido que aprender a programar en Python, que es un lenguaje de programación específico para desarrollar algoritmos de Inteligencia Artificial, y he conseguido una base de datos con 200 imágenes de enfermedades de la piel (benignas y malignas), que ha sido analizada previamente por especialistas médicos clasificando las características de cada una de ellas. Con esta información y la utilización de Python he diseñado y entrenado 12 métodos diferentes de clasificación, que combinan redes neuronales, árboles de decisión y random forest, con la selección de las características generales de las imágenes estudiadas, el método ABCD (utilizado por los especialistas médicos en el diagnóstico), las características más importantes y sin las características irrelevantes. Estos experimentos me han permitido determinar cuál es el método más preciso para diagnosticar la enfermedad, obteniendo un resultado de diagnóstico correcto del 94%, superior a la media obtenida por los especialistas médicos, que es del 86,6%. Finalmente he hecho una prueba con una imagen tomada con mi teléfono móvil, que he introducido en el sistema para que sea procesada, devolviéndome un resultado correcto. Todo esto nos hace llegar a la conclusión definitiva de que un sistema de IA correctamente entrenado puede diagnosticar una enfermedad de la piel con más rapidez y precisión que un médico especialista. |
dc.description.abstract |
The objective of this research work is to demonstrate that new technologies, and specifically Artificial Intelligence (AI), can be very useful to diagnose certain diseases, such as melanoma or skin cancer. First, it will be explained what artificial intelligence consists of, with a theoretical framework that contemplates its history, the different types of existing AI and their variants, as well as the applicability of these techniques for image analysis and more specifically in medicine. Later we will address the theoretical framework of the skin and its diseases, with an extensive study on skin cancer, what types are there, how they are produced, their evolution, the diagnostic methods and the treatment of the disease, reaching the conclusion that an early diagnosis is essential for cure. From here I have approached the practical part of the project which consists of the development of a computer program that, from a normal image made with any camera, is capable of determining whether it is a benign pigmentation or a melanoma evil one. As I was not an expert on the subject, I had to learn to program in Python, which is a specific programming language for developing Artificial Intelligence algorithms, and I have obtained a database with 200 images of skin diseases (benign and malignant), which has been previously analyzed by medical specialists, classifying the characteristics of each of them. With this information and the use of Python I have designed and trained 12 different classification methods, which combine neural networks, decision trees and random forests, with the selection of the general characteristics of the images studied, the ABCD method (used by specialists doctors in diagnosis), the most important features and without the irrelevant features. These experiments have allowed me to determine which is the most accurate method to diagnose the disease, obtaining a correct diagnostic result of 94%, higher than the average obtained by medical specialists, which is 86.6%. Finally, I have made a test with an image taken with my mobile phone, which I have entered in the system to be processed, returning a correct result. All of this leads us to the definitive conclusion that a properly trained AI system can diagnose a skin disease more quickly and accurately than a medical specialist. |
dc.description.abstract |
Intel·ligència artificial |
dc.description.abstract |
Pell -- Malalties |
dc.description.abstract |
Melanoma |
dc.format.mimetype |
application/pdf |
dc.language.iso |
cat |
dc.rights |
© Tots els drets reservats |
dc.title |
Intel·ligència artificial aplicada al diagnòstic precoç del melanoma |
dc.type |
info:eu-repo/semantics/other |
dc.rights.accessRights |
info:eu-repo/semantics/openAccess |