2026-09-22T10:10:25Zhttps://repository.universidadean.edu.co/server/oai/request

oai:repository.universidadean.edu.co:10882/190762026-03-05T09:00:25Zcom_10882_83com_10882_48col_10882_13800

Desarrollo de un modelo de aprendizaje automático para el diagnóstico temprano y estratificación de riesgo en leucemia linfoblástica aguda pediátrica Development of a machine learning model for early diagnosis and risk stratification in pediatric acute lymphoblastic leukemia Mesa Sarmiento, Cristihan David Chacón Rivera, Lina María CIENCIA, TECNOLOGÍA E INNOVACIÓN::TECNOLOGICO ONTARE MAIRA ALEJANDRA GARCIA JARAMILLO Categoría A1 COL0026879 Leucemia en niños Aprendizaje automático (Inteligencia artificial) Procesamiento de imágenes Sistemas de imágenes en medicina Diagnóstico por imagen Cáncer en niños --Diagnóstico Leucemia linfoblástica aguda Aprendizaje automático Diagnóstico temprano Estratificación de riesgo Procesamiento de imágenes médicas Acute lymphoblastic leukemia Machine learning Pediatric oncology Risk stratification Medical image processing El cáncer infantil, en particular la leucemia linfoblástica aguda (LLA), evidencia una marcada inequidad en supervivencia entre países de altos y bajos ingresos, asociada a diagnósticos tardíos y limitaciones en infraestructura diagnóstica. Dadas las restricciones legales y operativas para acceder a bases de datos clínicas locales, este proyecto desarrolla un modelo de aprendizaje automático a partir de 3.256 imágenes de frotis de sangre periférica teñidas con Wright‑Giemsa del Hospital Taleghani (Irán), orientado a la identificación temprana de LLA pediátrica y la estratificación del riesgo en entornos con recursos limitados. Se aplicó un protocolo estandarizado de preprocesamiento que incluye redimensionamiento, normalización, segmentación con máscaras binarias tipo U‑Net y codificación one-hot, seguido del entrenamiento de una red neuronal convolucional con mecanismos de atención, optimizada mediante Adam y validada con partición 80‑10‑10 (entrenamiento, validación y prueba). El modelo alcanzó una exactitud del 99,69 %, alta sensibilidad y tiempos de inferencia cercanos a 0,83 segundos por imagen en hardware básico con apoyo de Google Colab, con curvas de aprendizaje estables y sin indicios de sobreajuste. Estos resultados respaldan el potencial de la CNN propuesta como herramienta complementaria para el diagnóstico temprano y la clasificación de subtipos de LLA pediátrica, particularmente en servicios de atención primaria con acceso restringido a técnicas avanzadas como la citometría de flujo. Childhood Cancer, particularly acute lymphoblastic leukemia (ALL), shows marked survival inequity between high and low income countries, driven by late diagnoses and limited diagnostic infrastructure. Due to legal and operational barriers to accessing local clinical databases, this study developed a machine learning model using 3,256 Wright-Giemsa stained peripheral blood smear images from Taleghani Hospital (Iran),aimed at early detection of pediatric ALL and risk stratification in resource-constrained settings. A standardized preprocessing pipeline was used, including resizing, normalization, segmentation with U-Net binary mask, and one hot encoding followed by training a convolutional neural network with attention mechanisms, optimized with Adam, validated using an 80-10-10 split, the model reached 99.69% accuracy and high sensitivity, with inference time around 0.83 seconds per image on basic hardware supported by Google colab. Learning curves were stable with no overfitting. These findings indicate the proposed CNN's potential as a complementary tool for early diagnosis and subtype classification of pediatric ALL, especially in primary care settings where advanced methods like flow cytometry are unavailable. Portada Planteamiento del problema Descripción del problema Objetivos Objetivos General Objetivos Específicos Resumen Introducción Marco Teórico Cánceres hematológicos y leucemia linfoblástica aguda (LLA) Sintomatología en niños Modelos de Machine Learning en hematología Preprocesamiento de datos (limpieza, normalización y codificación) Modelos de aprendizaje automático: Regresión Logística Árboles de Decisión Máquinas de Soporte Vectorial (SVM) Redes Neuronales Implementación en aplicaciones web y herramientas tecnológicas Estado del arte y detección automatizada Metodología Enfoque y diseño de la investigación Alcance del estudio Declaración y definición de variables Técnicas de análisis de datos y búsqueda sistemática Resumen comparativo de modelos Desarrollo del modelo Resultados Discusión Análisis de métricas (Exactitud, Sensibilidad y Tiempos de Inferencia) Curvas de aprendizaje y estabilidad del modelo Conclusiones Recomendaciones Bibliografía Especialista en Machine Learning Especialización CIENCIA, TECNOLOGÍA E INNOVACIÓN::TECNOLOGICO ONTARE MAIRA ALEJANDRA GARCIA JARAMILLO Categoría A1 COL0026879::Tecnología de la información y comunicaciones 2026-03-05T01:29:12Z 2026-02-13 Trabajo de grado - Especialización Trabajo de grado - Especialización http://purl.org/coar/resource_type/c_7a1f info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/acceptedVersion http://purl.org/coar/version/c_ab4af688f83e57aa Text http://purl.org/redcol/resource_type/TP https://hdl.handle.net/10882/19076 BDM-PML instname:Universidad Ean reponame:Repositorio Institucional Biblioteca Digital Minerva repourl:https://repository.ean.edu.co/ spa Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) https://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess Abierto (Texto Completo) Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_abf2 pdf 55 páginas Recurso electrónico application/pdf application/pdf application/pdf Universidad Ean Especialización en Machine Learning Facultad de Ingeniería Bogotá, Colombia