Treffer: Desarrollo de un sistema para el apoyo diagnóstico de leucemia linfoblástica aguda mediante la aplicación de técnicas de análisis de imágenes e inteligencia artificial ; Development of a system for the diagnostic support of acute lymphoblastic leukemia through the application of image analysis techniques and artificial intelligence

Desarrollo de un sistema para el apoyo diagnóstico de leucemia linfoblástica aguda mediante la aplicación de técnicas de análisis de imágenes e inteligencia artificial ; Development of a system for the diagnostic support of acute lymphoblastic leukemia through the application of image analysis techniques and artificial intelligence

Bohórquez Becerra, Ana Gisel, Díaz Montiel, Antonia, Mendoza Cavanzo, Ayelen Catalina

Franco Arias, Manuel Hernando, Solarte David, Víctor Alfonso, Franco Arias, Manuel Hernando 0001427755, Solarte David, Víctor Alfonso 1329391, Bohórquez Becerra, Ana Gisel 0009-0007-5209-8491, Díaz Montiel, Antonia 0009-0000-7121-0900, Mendoza Cabanzo, Ayelen Catalina 0009-0002-2608-3409, Solarte David, Víctor Alfonso 0000-0002-9856-1484, Semilleros de Investigación UNAB, Franco Arias, Manuel Hernando manuel-hernando-franco-arias, Solarte David, Víctor Alfonso víctor-alfonso-solarte-david, Bohórquez Becerra, Ana Gisel ana-bohrquez-ingeniera-biomedica/, Díaz Montiel, Antonia antonia-daz-montiel-689ab6334/, Mendoza Cabanzo, Ayelén Catalina ayelen-catalina-mendoza-cabanzo-644505363/, Solarte David, Víctor Alfonso víctor-alfonso-solarte-david-a489a443/

Universidad Autónoma de Bucaramanga UNAB
Facultad Ingeniería
Pregrado Ingeniería Biomédica
IBM-1788

2025

Engineering, Biomedical, Artificial intelligence, Acute lymphoblastic leukemia, Medical image analysis, Image processing, Diagnostic support, Biomedical engineering, Biophysics, Bioengineering, Medicine, Machine learning, Theory of machines, Python (Computer program language), Programming languages (Electronic computers), Ingeniería biomédica, Ingeniería, Biofísica, Bioingeniería, Medicina, Biomédica, Aprendizaje automático (Inteligencia artificial), Teoría de las máquinas, Python (Lenguaje de programación de computadores), Lenguajes de programación (Computadores electrónicos), Inteligencia artificial, Leucemia linfoblástica aguda, Análisis de imágenes médicas, Procesamiento de imágenes, Apoyo diagnóstico

Bucaramanga (Santander, Colombia), Agosto 2024 - Mayo 2025, UNAB Campus Bucaramanga

Agosto 2024 - Mayo 2025

Dissertation bachelor thesis

application/pdf

Spanish; Castilian

Acevedo, A., Alférez, S., Merino, A., Puigví, L., & Rodellar, J. (2019). Recognition of peripheral blood cell images using convolutional neural networks. Computer Methods And Programs In Biomedicine, 180, 105020. https://doi.org/10.1016/j.cmpb.2019.105020; Acute Lymphoblastic Leukemia (ALL) image dataset. (2021, 30 abril). Kaggle. https://www.kaggle.com/datasets/mehradaria/leukemia; Al‐Tahhan, F. E., Fares, M. E., Sakr, A. A., & Aladle, D. A. (2020). Accurate automatic detection of acute lymphatic leukemia using a refined simple classification. Microscopy Research And Technique, 83(10), 1178-1189. https://doi.org/10.1002/jemt.23509; Aprendizaje supervisado. (s. f.). MATLAB & Simulink. https://la.mathworks.com/discovery/supervised-learning.html; Arber, D. A., Orazi, A., Hasserjian, R., Thiele, J., Borowitz, M. J., Beau, M. M. L., Bloomfield, C. D., Cazzola, M., & Vardiman, J. W. (2016). The 2016 revision to the World Health Organization classification of myeloid neoplasms and acute leukemia. Blood, 127(20), 2391-2405. https://doi.org/10.1182/blood-2016-03-643544; Aspirado de médula ósea. (s. f.). Hospital Universitario Vall D’Hebron. https://hospital.vallhebron.com/es/asistencia/pruebas-diagnosticas/aspirado-de-medula-osea; Baxi, V., Edwards, R., Montalto, M., & Saha, S. (2021). Digital pathology and artificial intelligence in translational medicine and clinical practice. Modern Pathology, 35(1), 23-32. https://doi.org/10.1038/s41379-021-00919-2; Cac, A., & Cac, A. (2024, 2 septiembre). Día mundial de las leucemias 2024 - Cuenta de Alto Costo. Cuenta de Alto Costo - Fondo Colombiano de Cuentas de Alto Costo, organismo técnico no gubernamental del Sistema General de Seguridad Social en Salud de Colombia creado mediante el Decreto 2699 de 2007. https://cuentadealtocosto.org/cancer/dia-mundial-de-las-leucemias-2024/; Clasificación: Exactitud, recuperación, precisión y métricas relacionadas. (s. f.). Google For Developers. https://developers.google.com/machine-learning/crash-course/classification/accuracy-precision-recall?hl=es-419; Cross-validation: evaluating estimator performance. (s. f.). Scikit-learn. https://scikit--learn-org.translate.goog/stable/modules/cross_validation.html?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=tc; Daniel. (2024, 30 enero). Isolation Forest: ¿cómo detectar anomalías en un conjunto de datos? DataScientest. https://datascientest.com/es/isolation-forest; Del Carmen Expósito Gallardo, M., & Ávila, R. Á. (2008). Aplicaciones de la inteligencia artificial en la Medicina: perspectivas y problemas. ACIMED, 17(5), 0.; Diego.Geraldo. (2022, 16 noviembre). Deep learning VS Machine Learning %7C MIT Professional Education. MIT Professional Education. https://professionalprograms.mit.edu/es/blog/tecnologia/deep-learning-machine-learning/; Du Cancer, C. C. S. /. S. C. (s. f.). Diagnosis of leukemia. Canadian Cancer Society. https://cancer.ca/en/cancer-information/cancer-types/leukemia/diagnosis; Extensión de sangre periférica. (s. f.). Hospital Universitario Vall D’Hebron. https://hospital.vallhebron.com/es/asistencia/pruebas-diagnosticas/extension-de-sangre-periferica; GeeksforGeeks. (2025, 14 mayo). Feature Selection Techniques in Machine Learning. GeeksforGeeks. https://www.geeksforgeeks.org/feature-selection-techniques-in-machine-learning/; Ghaderzadeh, M., Aria, M., Hosseini, A., Asadi, F., Bashash, D., & Abolghasemi, H. (2021). A fast and efficient CNN model for B‐ALL diagnosis and its subtypes classification using peripheral blood smear images. International Journal Of Intelligent Systems, 37(8), 5113-5133. https://doi.org/10.1002/int.22753; Ghete, T., Kock, F., Pontones, M., Pfrang, D., Westphal, M., Höfener, H., & Metzler, M. (2024). Models for the marrow: A comprehensive review of AI‐based cell classification methods and malignancy detection in bone marrow aspirate smears. HemaSphere, 8(12). https://doi.org/10.1002/hem3.70048; Gonzalez, R. C., & Woods, R. E. (2017). Digital Image Processing, Global Edition. Pearson Higher Education.; Goodfellow, L., Bengio, Y., & Courville, A. (s. f.). DEEP LEARNING. http://alvarestech.com/temp/deep/Deep%20Learning%20by%20Ian%20Goodfellow,%20Yoshua%20Bengio,%20Aaron%20Courville%20(z-lib.org).pdf; Guerrero, J. L. (2021). Detección y clasificación de células anormales de sangre periférica usando técnicas de N-Shot Learning [Universitat Oberta de Catalunya]. https://openaccess.uoc.edu/bitstream/10609/126709/6/pepelucasTFM0121memoria.pdf; Guo, L., Huang, P., Huang, D., Li, Z., She, C., Guo, Q., Zhang, Q., Li, J., Ma, Q., & Li, J. (2021). A classification method to classify bone marrow cells with class imbalance problem. Biomedical Signal Processing And Control, 72, 103296. https://doi.org/10.1016/j.bspc.2021.103296; Ibm. (2025, febrero 27). Random Forest. IBM. https://www.ibm.com/mx-es/think/topics/random-forest; Ibm. (2025, abril 1). KNN. IBM. https://www.ibm.com/mx-es/think/topics/knn; Ibm. (2025, abril 16). Support Vector Machine. IBM. https://www.ibm.com/think/topics/support-vector-machine; Jiménez, J. M. M. (2017). Pregrado de hematología. https://www.sehh.es/images/stories/recursos/2017/10/Libro-HEMATOLOGIA-Pregrado.pdf; Joshi, R. C., Yadav, S., Dutta, M. K., & Travieso-González, C. M. (2022). An Efficient Convolutional Neural Network to Detect and Count Blood Cells. Uniciencia, 36(1), 1-11. https://doi.org/10.15359/ru.36-1.28; Kavitha, R., & Viswanathan, N. (2022). Cat-Inspired Deep Convolutional Neural Network for Bone Marrow Cancer Cells Detection. Intelligent Automation & Soft Computing, 33(2), 1305-1320. https://doi.org/10.32604/iasc.2022.022816; Kavlakoglu, E., & Russi, E. (2025, 10 febrero). XGBoost. IBM. https://www.ibm.com/mx-es/think/topics/xgboost; KFold. (s. f.). Scikit-learn. https://scikit--learn-org.translate.goog/stable/modules/generated/sklearn.model_selection.KFold.html?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=tc#sklearn.model_selection.KFold; Kutner, M. H. (s. f.). Applied Linear Statistical Models (5.a ed.). McGraw-Hill/Irwin.; LeaveOneOut. (s. f.). Scikit-learn. https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.LeaveOneOut.html; León Ortiz, I., & Alférez Baquero, E. S. (2021). EXPLORACIÓN DE TÉCNICAS DE SE-SEMI-SUPERVISED LEARNING PARA LA CLASIFICACIÓN DE IMÁGENES DE CÉLULAS DE SANGRE PERIFÉRICA [Universitat Oberta de Catalunya]. https://openaccess.uoc.edu/bitstream/10609/132289/8/isaacleorTFM0621memoria.pdf; Machine Learning con MATLAB - Aprendizaje no supervisado. (s. f.). MATLAB & Simulink. https://la.mathworks.com/campaigns/offers/next/machine-learning-with-matlab/unsupervised-learning.html?s_tid=srchtitle_site_search_1_aprendizaje+no+supervisado; Matas, A., & Matas, A. (s. f.). Diseño del formato de escalas tipo Likert: un estado de la cuestión. https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1607-40412018000100038#:~:text=Las%20llamadas%20%E2%80%9Cescalas%20Likert%E2%80%9D%20son,unidimensional%20(Bertram,%202008); Muntasa, A., & Yusuf, M. (2019). Modeling of the Acute Lymphoblastic Leukemia Detection based on the Principal Object Characteristics of the Color Image. Procedia Computer Science, 157, 87-98. https://doi.org/10.1016/j.procs.2019.08.145; Muñoz, P. (2013). Máscaras binarias o máscaras de bits. ResearchGate. https://www.researchgate.net/publication/327558155_Mascaras_binarias_o_mascaras_de_bits_Pedro_Munoz; Murel, J., PhD, & Kavlakoglu, E. (2025, 13 febrero). Matriz de confusión. IBM. https://www.ibm.com/es-es/think/topics/confusion-matrix; Nagata, Y., Zhao, R., Awada, H., Kerr, C. M., Mirzaev, I., Kongkiatkamon, S., Nazha, A., Makishima, H., Radivoyevitch, T., Scott, J. G., Sekeres, M. A., Hobbs, B. P., & Maciejewski, J. P. (2020). Machine learning demonstrates that somatic mutations imprint invariant morphologic features in myelodysplastic syndromes. Blood, 136(20), 2249-2262. https://doi.org/10.1182/blood.2020005488; NN - Multi-layer Perceptron Classifier (MLPClassifier) - Michael Fuchs Python. (2021, 3 febrero). https://michael-fuchs-python.netlify.app/2021/02/03/nn-multi-layer-perceptron-classifier-mlpclassifier/#mlpclassifier-for-binary-classification; Otsu, N. (1979). A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions On Systems Man And Cybernetics, 9(1), 62-66. https://doi.org/10.1109/tsmc.1979.4310076; Peng, K., Peng, Y., Liao, H., Yang, Z., & Feng, W. (2023). Automated bone marrow cell classification through dual attention gates dense neural networks. Journal Of Cancer Research And Clinical Oncology, 149(19), 16971-16981. https://doi.org/10.1007/s00432-023-05384-9; Percival, M., Lai, C., Estey, E., & Hourigan, C. S. (2017). Bone marrow evaluation for diagnosis and monitoring of acute myeloid leukemia. Blood Reviews, 31(4), 185-192. https://doi.org/10.1016/j.blre.2017.01.003; Pruebas de aceptación de usuario (UAT): qué son - We are testers. (2023, 24 febrero). We Are Testers. https://www.wearetesters.com/investigacion-ux/pruebas-aceptacion-usuario-uat-que-son/; Rana, A., Dumka, A., Singh, R., Panda, M. K., Priyadarshi, N., & Twala, B. (2022). Imperative Role of Machine Learning Algorithm for Detection of Parkinson’s Disease: Review, Challenges and Recommendations. Diagnostics, 12(8), 2003. https://doi.org/10.3390/diagnostics12082003; Sangre periférica con expresión de LLC y blastosis de NMRt (LAM monoblástica). (s. f.). https://atlas.gechem.org/index.php?option=com_k2&view=item&id=1634:sangre-periferica-con-expresion-de-llc-y-blastosis-de-nmrt-lam-monoblastica&lang=es; Sehmi, M. N. M., Fauzi, M. F. A., Ahmad, W. S. H. M. W., & Chan, E. W. L. (2022). PancreaSYS: an automated Cloud-Based pancreatic cancer grading system. Frontiers In Signal Processing, 2. https://doi.org/10.3389/frsip.2022.833640; Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning. Journal Of Big Data, 6(1). https://doi.org/10.1186/s40537-019-0197-0; Sikder, M. N. K., & Batarseh, F. A. (2023). Outlier detection using AI: a survey. En Elsevier eBooks (pp. 231-291). https://doi.org/10.1016/b978-0-32-391919-7.00020-2; Técnicas de evaluación de modelos de aprendizaje automático. (s. f.). https://es.innovatiana.com/post/how-to-evaluate-ai-models; Terwilliger, T., & Abdul-Hay, M. (2017). Acute lymphoblastic leukemia: a comprehensive review and 2017 update. Blood Cancer Journal, 7(6), e577. https://doi.org/10.1038/bcj.2017.53; Vizcaíno, M., Lopera, J. E., Martínez, L., De los Reyes, I., & Linares, A. (2015). Guía de atención integral para la detección oportuna, diagnóstico, tratamiento y seguimiento de leucemia linfoide aguda en niños, niñas y adolescentes. Revista Colombiana de Cancerología, 20(1), 17-27. https://doi.org/10.1016/j.rccan.2015.08.003; https://apolo.unab.edu.co/en/persons/manuel-hernando-franco-arias-2; http://hdl.handle.net/20.500.12749/29978; reponame:Repositorio Institucional UNAB; repourl:https://repository.unab.edu.co

https://hdl.handle.net/20.500.12749/29978

http://creativecommons.org/licenses/by-nc-nd/2.5/co/ ; Abierto (Texto Completo) ; info:eu-repo/semantics/openAccess ; Atribución-NoComercial-SinDerivadas 2.5 Colombia

edsbas.E00DC035

BASE