Citas bibligráficas
Esta es una referencia generada automáticamente. Modifíquela de ser necesario
Díaz, N., (2021). Análisis comparativo de clasificadores para la detección de subtipos de cáncer [Tesis, Universidad Señor de Sipán]. https://hdl.handle.net/20.500.12802/8386
Díaz, N., Análisis comparativo de clasificadores para la detección de subtipos de cáncer [Tesis]. PE: Universidad Señor de Sipán; 2021. https://hdl.handle.net/20.500.12802/8386
@misc{sunedu/2814666,
title = "Análisis comparativo de clasificadores para la detección de subtipos de cáncer",
author = "Díaz Bernilla, Nataly Marlene",
publisher = "Universidad Señor de Sipán",
year = "2021"
}
Registro completo de metadatos
Tuesta Monteza, Victor Alexci
Díaz Bernilla, Nataly Marlene
2021-07-27T18:04:08Z
2021-07-27T18:04:08Z
2021-07-27T18:04:08Z
2021-07-27T18:04:08Z
2021
https://hdl.handle.net/20.500.12802/8386
Infraestructura, Tecnología y Medio Ambiente (lineadeinvestigacion)
En la actualidad el cáncer es una de las primeras causas de muerte a nivel mundial,
en la ingeniería el aprendizaje automático se está utilizando para analizar datos y
aprender de ellos, consecuentemente son capaces de predecir o sugerir, y está
teniendo un alto impacto en los avances tecnológicos médicos. El objetivo de este
trabajo es realizar un análisis comparativo para la detección de los subtipos de un
cáncer, la investigación inicia con la selección del tipo de cáncer, el cual se
seleccionó el cáncer de mama, posteriormente se caracterizó los subtipos del
cáncer obteniendo 4 subtipos los cuales son, Luminal A, Luminal B, Basal o triple
negativo y el tipo de cáncer enriquecido con Her2. Posteriormente se realizó la
clasificación siendo los clasificadores Support Vector Machines, K-Nearest
Neighbor y Naive Bayes los seleccionados, además se utilizaron los datos
obtenidos del bioproyecto GSE10886 que contiene 200 muestras de tejido
tumorosos generados en GEO2R (Herramienta que analiza datos genómicos). Los
resultados obtenidos de los indicadores precisión, error, sensibilidad y
especificidad de los clasificadores son SVM (97%, 3%, 95%, 99%) , siendo el que
obtuvo mejor performance en comparación al clasificador KNN(88%, 12%, 89%,
96%) y del clasificador NB (90%, 10%, 89% y 98%) respectivamente, demás se
obtuvo el tiempo de respuesta de la ejecución de los clasificadores siendo del
clasificador SVM 0.36 segundos, 2.79 segundos del clasificador KNN y 0.33
segundos del clasificador Naive Bayes. Finalmente se concluyó que el clasificador
que obtuvo mejor performance en los resultados evaluados es el clasificador SVM
con un 97% de precisión, 3% de error , 95% de sensibilidad y un 99% de
especificidad y por último el clasificador con menos tiempo de respuesta fue el
clasificador Naive Bayes con 0.33 segundos. (es_PE)
Tesis (es_PE)
application/pdf (es_PE)
spa (es_PE)
Universidad Señor de Sipán (es_PE)
Atribución-NoComercial-SinDerivadas 2.5 Perú (*)
info:eu-repo/semantics/openAccess (es_PE)
http://creativecommons.org/licenses/by-nc-nd/2.5/pe/ (*)
Repositorio Institucional - USS (es_PE)
Repositorio Institucional USS (es_PE)
Clasificación automática (es_PE)
Subtipos de Cáncer (es_PE)
Support Vector Machines (es_PE)
K-Nearest Neighbor (es_PE)
Naive Bayes (es_PE)
Análisis comparativo de clasificadores para la detección de subtipos de cáncer (es_PE)
info:eu-repo/semantics/bachelorThesis (es_PE)
Universidad Señor de Sipán. Facultad de Ingeniería, Arquitectura y Urbanismo (es_PE)
Ingeniería de Sistemas (es_PE)
Ingeniero de Sistemas (es_PE)
PE (es_PE)
http://purl.org/pe-repo/ocde/ford#2.02.04 (es_PE)
http://purl.org/pe-repo/renati/level#tituloProfesional (es_PE)
42722929
https://orcid.org/0000-0002-5913-990X (es_PE)
75008762
612076 (es_PE)
Mejía Cabrera, Heber Iván
Sialer Rivera, Maria Noelia
Tuesta Monteza, Víctor Alexci
http://purl.org/pe-repo/renati/type#tesis (es_PE)
Privada societaria
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons