Ingeniería de Sistemas · 2026
ColonScan: una herramienta para detección temprana y diagnóstica de cáncer colorrectal (CCR) a través de imágenes CTC basada en un Vision Transformer (ViT)
El cáncer colorrectal (CCR) representa una de las principales causas de mortalidad oncológica a nivel mundial, siendo la detección temprana de pólipos adenomatosos el principal factor para brindar el pronóstico al paciente. Mientras tanto en Colombia, el CCR ocupa el tercer lugar en incidencia y mortalidad, habiendo así una necesidad urgente de crear herramientas tecnológicas que puedan apoyar el diagnóstico médico. Este trabajo de grado presenta ColonScan, una herramienta computacional que integra un modelo de inteligencia artificial basado en la arquitectura Vision Transformer (ViT) para la clasificación de imágenes de Colonografía por Tomografía Computarizada (CTC), con el propósito de apoyar al profesional médico en la detección temprana del CCR mediante la clasificación de tres estados: ausencia de pólipo, pólipo de 6–9 mm y pólipo mayor o igual a 10 mm. Para el entrenamiento del modelo se utilizó el repositorio público CT Colonography (ACRIN 6664) de The Cancer Imaging Archive, aplicando un pipeline de preprocesamiento especializado para imágenes DICOM y acompañado de estrategias como oversampling para equilibrar las clases. El modelo ViT, entrenado desde cero sobre 1.689 muestras balanceadas, obtuvo un AUC-ROC de 0,6106 y una exactitud del 36,57%, evidenciando posibles limitaciones relacionada a la escasez de datos etiquetados y complejidad del colon. La herramienta fue implementada mediante dos componentes: una API RESTful que sirve el modelo de IA, y una aplicación web para el consumo de esa API. Estos resultados muestran una base técnica para futuras iteraciones del modelo con mayor volumen de datos y arquitecturas optimizadas.
Texto completo 102 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- RESUMENp. 12
- ABSTRACTp. 13
- I. INTRODUCCIÓNp. 14
- II. PLANTEAMIENTO DEL PROBLEMAp. 16
- III. JUSTIFICACIÓNp. 18
- IV. OBJETIVOSp. 19
- A. Objetivo generalp. 19
- B. Objetivos específicosp. 19
- V. PROBLEMA DE INVESTIGACIÓNp. 20
- VI. HIPÓTESISp. 21
- A. Hipótesis de trabajop. 21
- B. Hipótesis nulap. 21
- C. Hipótesis alternativap. 21
- VII. MARCO TEÓRICOp. 22
- A. Revisión sistemática de la literaturap. 22
- Definición de las preguntas de investigaciónp. 22
- Palabras clavep. 23
- Cadena de búsquedap. 23
- Recursos literariosp. 23
- Proceso de búsquedap. 23
- B. Selección de trabajosp. 24
- Criterios de inclusiónp. 24
- Criterios de exclusiónp. 24
- Procesos de selecciónp. 25
- C. Resultados y discusiónp. 28
- Precisión diagnóstica en CTC para detectar el CCRp. 28
- Modelos de IA más utilizados para trabajar con imágenes de CCRp. 30
- Métricas de evaluación utilizadasp. 32
- Fuentes de datos de CCRp. 33
- Frameworks y herramientas de desarrollo utilizadasp. 35
- D. Anexo de investigaciones externasp. 36
- Concepto del modelo Vision Transformer (ViT)p. 36
- Validación de proyecto con médicos expertosp. 38
- a) Metodología de la encuestap. 38
- b) Perfil de los participantesp. 39
- c) Resultados de la encuestap. 39
- i. Frecuencia de uso de CTCp. 39
- ii. Confianza en la CTC frente a la colonoscopia tradicionalp. 40
- iii. Funcionalidades más útiles de la herramientap. 40
- iv. Utilidad percibida en la práctica médicap. 41
- v. Aspectos más importantes en una herramienta médica asistida por IAp. 42
- d) Análisis e implicaciones para el desarrollop. 42
- VIII. METODOLOGÍAp. 44
- A. Metodología en desarrollo de software (LSD y Kanban)p. 44
- B. Metodología en aprendizaje automático (CRISP-ML(Q))p. 48
- C. Historias de usuario y análisis de requerimientosp. 50
- IX. EXPERIMENTACIÓN Y RESULTADOS DEL MODELOp. 54
- A. Conjunto de datos utilizadosp. 54
- B. Arquitectura del modelo Vision Transformer (ViT)p. 57
- Configuración e hiperparámetros del modelop. 58
- C. Preprocesamiento médico de imágenes DICOMp. 59
- D. Modelos implementadosp. 60
- Resultados del modelo CNN con Grad-CAMp. 61
- Resultados del modelo ViTp. 62
- E. Estrategia de mejora mediante balanceo de datosp. 63
- Discusión de resultados preliminaresp. 64
- a) Métricas de evaluación del modelo ViTp. 65
- X. DISEÑO E IMPLEMENTACIÓN DE LA HERRAMIENTAp. 69
- A. Arquitectura general del sistema ColonScanp. 69
- Stack tecnológicop. 70
- Diseño de marca e identidad visualp. 70
- a) Selección de coloresp. 71
- b) Prototipado de la interfaz mediante Figma Makep. 72
- B. API del modelop. 75
- C. Aplicación webp. 70
- Diseño del sistema (Modelo 4+1 vistas)p. 77
- a) Vista de escenario principalp. 78
- b) Vista lógicap. 79
- c) Vista de desarrollop. 79
- d) Vista de procesosp. 80
- i. Flujo de autenticación y carga inicial de imágenes CTCp. 80
- ii. Proceso central de análisis de imágenes mediante el modelo de IAp. 81
- e) Vista físicap. 82
- Modelado y base de datosp. 83
- D. Plan de pruebasp. 85
- Pruebas alfap. 85
- Pruebas betap. 87
- XI. RESULTADOSp. 51
- A. Resultados del modelo de IAp. 89
- B. Integración del modelo con la herramientap. 89
- C. Herramienta en funcionamientop. 90
- D. Resultados de pruebas de validaciónp. 94
- Pruebas alfap. 94
- Pruebas beta y escala de usabilidad del sistemap. 94
- XII. CONCLUSIONESp. 96
- XIII. RECOMENDACIONESp. 98
- REFERENCIASp. 99
- TABLA I RESULTADOS CUANTITATIVOS EN LAS BASE DE DATOSp. 23
- TABLA II CRITERIOS DE INCLUSIÓN Y EXCLUSIÓNp. 24
- TABLA III ANÁLISIS DE ARTÍCULOS SELECCIONADOSp. 25
- TABLA IV MODELOS DE IA SUGERIDOSp. 30
- TABLA V FUENTE DE DATOS DE CCRp. 33
- ESPECIALISTASp. 43
- SOFTWAREp. 45
- DE SOFTWAREp. 47
- TABLA X LISTADO DE HISTORIA DE USUARIOSp. 51
- TABLA XI CRONOGRAMA DE ACTIVIDADESp. 51
- TABLA XII CONFIGURACIÓN DE HIPERPARÁMETROS DEL MODELOp. 58
- TABLA XIII MÉTRICAS DE MODELO CNNp. 61
- TABLA XIV MÉTRICAS DE MODELO ViTp. 63
- TABLA XV REPORTE DETALLADO POR CLASE DEL MODELO VITp. 63
- TABLA XVI MÉTRICAS GENERALES DEL MODELO MEDICALVITp. 65
- TABLA XVII REPORTE DETALLADO POR CLASE DEL MODELO VITp. 65
- TABLA XVIII STACK TECNOLÓGICOp. 70
- TABLA XIX MATRIZ DE CASOS DE PRUEBA ALFAp. 86
- TABLA XX RESULTADO DE PRUEBAS BETAp. 87
- TABLA XXI CLASIFICACIÓN DE SEVERIDAD DE CASOS ALFAp. 94
- Fig. 1. Diagrama de flujo PRISMAp. 25
- Fig. 2. Cantidad de artículos por tipo de detección de CCRp. 28
- Fig. 3. Arquitectura detalla del modelo ViTp. 37
- Fig. 4. Resultados de frecuencia de realización o revisión de exámenes de CTCp. 39
- Fig. 5. Resultados de confianza en el manejo de CTC frente a la colonoscopia tradicionalp. 40
- Fig. 6. Resultado en funcionalidades más útiles para ColonScanp. 40
- Fig. 7. Resultados de la utilidad percibida en ColonScan para la práctica médicap. 41
- Fig. 8. Resultados sobre principales aspectos en una herramienta médica asistida por IAp. 42
- Fig. 9. Metodología Ágil LSDp. 45
- Fig. 10. Principios del LSDp. 46
- Fig. 11. Proceso del ciclo de vida del desarrollo del aprendizaje automático (ML)p. 49
- Fig. 12. Distribución de pacientes por categoríap. 54
- Fig. 13. Distribución de imágenes por categoría y posición tomadap. 55
- Fig. 14. Proporción de imágenes con confirmación de póliposp. 56
- Fig. 15. Mapa de calor sobre imágenes con póliposp. 56
- Fig. 16. Visualización del preprocesamiento de imágenes CTCp. 60
- Fig. 17. Arquitectura general del modelo CNN clásico con Grad-CAMp. 60
- Fig. 18. Análisis de Grad-CAM en la detección de póliposp. 62
- Fig. 19. Balanceo de clases en el conjunto de datosp. 64
- Fig. 20. Matriz de confusión normalizadap. 65
- Fig. 21. Distribución de clasesp. 66
- Fig. 22. Accuracy por clasep. 66
- Fig. 23. Isotipo de ColonScanp. 70
- Fig. 24. Colores principales seleccionadosp. 71
- Fig. 25. Diseño de pantalla de autenticaciónp. 72
- Fig. 26. Diseño de dashboard principal del médicop. 73
- Fig. 27. Diseño del perfil detallado de un pacientep. 73
- Fig. 28. Diseño de flujo de carga de imágenes médicas (parte 1)p. 74
- Fig. 29. Diseño de flujo de carga de imágenes médicas (parte 2)p. 74
- Fig. 30. Diseño de análisis de imágenes CTC simuladop. 75
- Fig. 31. Documentación Swagger de la API del modelop. 76
- Fig. 32. Modelo 4+1 vistasp. 77
- Fig. 33. Diagrama de casos de uso - Médicop. 78
- Fig. 34. Diagrama contextual del sistemap. 79
- Fig. 35. Diagrama de componentesp. 80
- Fig. 36. Diagrama de secuencia 1p. 81
- Fig. 37. Diagrama de secuencia 2p. 82
- Fig. 38. Diagrama de desplieguep. 83
- Fig. 39. Diagrama del modelo relacional en base de datosp. 84
- Fig. 40. Pantalla de autenticaciónp. 90
- Fig. 41. Dashboard del médico con pacientes registradosp. 91
- Fig. 42. Perfil detallado de un pacientep. 91
- Fig. 43. Flujo de carga de imágenes médicasp. 92
- Fig. 44. Análisis de imágenes CTC con el modelo de IAp. 92
- Fig. 45. Reporte detallado del análisis de imágenes CTCp. 93