Doctorado Facultad de Ingeniería de Sistemas e Informática

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12672/129

Browse

Browsing Doctorado Facultad de Ingeniería de Sistemas e Informática by Subject "Aprendizaje"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Modelo Basado en Aprendizaje Profundo para Clasificar Células Neoplásicas en Imágenes de Citología de Líquido Pleural
    (Universidad Nacional Mayor de San Marcos, 2025) López Córdova, Frida Mereyda; Vega Huerta, Hugo Froilán
    El Derrame Pleural, es una patología que se manifiesta con la acumulación excesiva o fuera del rango normal de líquido pleural en la zona que rodea los pulmones. La citología es una rama de la medicina que estudia las células en sus diferentes aspectos morfológicos, funcionales y genéticos; desde microscopios simples hasta técnicas modernas, la evolución continúa, permitiendo su uso en oncología y análisis celular. El examen citológico es una técnica diagnóstica muy utilizada y de alta precisión para confirmar enfermedades y determinar su estadio. El proceso consiste en identificar signos atípicos, como células con formas y texturas irregulares. El diagnóstico médico se complica debido a la variabilidad de los estados patológicos en las muestras de líquido pleural, que pueden incluir enfermedades inflamatorias, infecciosas y neoplasias. La detección temprana de malignidad es crucial para un tratamiento oportuno, reduciendo el sufrimiento y potencialmente prolongando la vida del paciente. Además, la escasez de médicos patólogos y la demora en los diagnósticos abren oportunidades para la implementación de técnicas de inteligencia artificial, las cuales han demostrado un impacto significativo en la medicina diagnóstica en los últimos años. La investigación se llevó a cabo utilizando la metodología de Investigación en Ciencias del Diseño (DSR), lo que permitió un diseño estructurado, una implementación efectiva y una validación exhaustiva de la técnica propuesta. Se construyó un conjunto de datos de imágenes citológicas de líquido pleural que contiene 2640 imágenes de muestras de citología de líquido pleural. Para identificar células neoplásicas, se diseñó un modelo basado en Redes Neuronales Convolucionales (CNN), utilizando Transfer Learnig y tres arquitecturas de CNN pre entrenadas ResNet50V2, DesNet121 e InceptionV3. Se evaluó el desempeño al identificar células MAL (malignas) y células NFM (negativas para malignidad - benignas) según la clasificación del sistema internacional (TIS) para informar citología de líquidos serosos: riesgo de malignidad (MAL y NFM). Los tres modelos fueron entrenados, validados y evaluados con el mismo conjunto de datos, se evaluó el desempeño por modelo y se realizaron comparaciones combinadas mediante el Voting Classifier, para determinar qué modelo presenta la mejor precisión en la clasificación de imágenes citológicas. Los algoritmos de aprendizaje profundo propuestos para clasificar imágenes citológicas de líquido pleural lograron un rendimiento superior al 90% en pruebas. Las combinaciones más efectivas fueron ResNet+Inception y ResNet+DesNet, la primera combinación obtuvo mayor precisión (0.94) pero fue menos generalizable con un conjunto de datos externo, a diferencia la segunda combinación, aunque obtuvo una menor precisión (0.92) fue más generalizable cuando se probó en un conjunto de datos externo. Los resultados confirman el potencial del método propuesto para ayudar a los patólogos a lograr un diagnóstico más preciso.
  • Thumbnail Image
    Item
    Modelo conceptual para sistemas de gestión de aprendizaje social en ambientes Blended Learning
    (Universidad Nacional Mayor de San Marcos, 2025) Hidalgo Cajo, Byron Geovanny; Delgadillo Ávila, Rosa Sumactika
    La investigación tuvo como objetivo desarrollar un modelo conceptual que explique los factores determinantes de la adopción de Sistemas de Gestión del Aprendizaje (LMS) con enfoque social en entornos de Blended Learning en la educación universitaria. El estudio se sustentó en una revisión sistemática de la literatura para la identificación de constructos teóricos y la formulación de hipótesis, proponiendo un modelo inicial que integró variables como calidad del sistema, calidad del contenido, presencia social, utilidad percibida, facilidad de uso percibida, norma subjetiva, satisfacción y uso continuo. La validez de contenido fue establecida mediante juicio de expertos y la contrastación empírica se realizó en la Universidad Nacional de Chimborazo (Ecuador), a través de la aplicación de cuestionarios a docentes y estudiantes. El análisis de datos se efectuó mediante modelado de ecuaciones estructurales con PLS-SEM, lo que permitió validar dos modelos finales diferenciados por perfil de usuario. Los resultados evidenciaron que la calidad del sistema, la calidad del contenido y la presencia social influyen de manera significativa en la utilidad y facilidad de uso percibida, así como en la norma subjetiva y la satisfacción del usuario, alcanzando altos valores de R² y Q² que confirman una adecuada capacidad predictiva. Se concluye que estos factores resultan determinantes para la adopción y el uso continuado de los LMS sociales, y que el modelo propuesto constituye un aporte teórico y aplicado para optimizar los entornos de aprendizaje híbrido en la educación superior, fortaleciendo la interacción, el aprendizaje colaborativo y la experiencia centrada en el estudiante.