Antonio Battistaa, Rosa Alessia Battistab, Federica Battistac, Gerardo
Iovaned,∗, Riccardo Emanuele Landie
aA.O.U. S. Giovanni di Dio e Ruggi d'Aragona, UOC Chir Urg, UOC Laboratorio Analisi,
Salerno, Italia
bIRCCS Ospedale San Raffaele, Universidad Vita Salute S. Raffaele, Milán, Italia
cIRCCS Fundación Policlínico San Matteo, Universidad de Pavía, Pavía, Italia
dDepartamento de Informática, Universidad de Salerno, Salerno, Italia
eDepartamento de Electrónica, Información y Bioingeniería, Politécnico de Milán, Milán,
Italia
Introducción
El cáncer colorrectal (CCR) es una de las neoplasias malignas más comunes entre la
población general, representando 10% de todos los cánceres diagnosticados. El CCR representa
el tercer tumor maligno más frecuente en los hombres, mientras que es incluso sólo el segundo en
mujeres después del cáncer de mama. En 2020 su incidencia estimada ha sido de 19:100.0005
en todo el mundo, mientras que la tasa de mortalidad representa el 9,4% de todos los casos relacionados con el cáncer.
muertes [1]. En las últimas décadas, el mundo científico ha sido testigo de un ligero descenso
en la incidencia y mortalidad del CCR, supuestamente relacionadas tanto con la aplicación
de los programas de cribado masivo y el consiguiente reconocimiento más temprano de la enfermedad.
en fases iniciales. Alteración de la hemoglobina y del ADN detectada en muestras de heces10
junto con la endoscopia es la prueba de cribado más difundida y recomendada en
la población general. Sin embargo, están lastrados por una sensibilidad bastante baja
e invasividad, respectivamente [2]. Por este motivo, el eventual desarrollo de
nuevos enfoques mínimamente invasivos, altamente sensibles y específicos tiene una
papel en el objetivo de reconocer la enfermedad en la fase más temprana posible.
La Inteligencia Artificial introdujo perspectivas relevantes de la solución, espe-
cialmente mediante aprendizaje automático supervisado destinado a aproximar
patrones entre los datos relevantes. Los parámetros significativos pueden
permiten inferencias sobre el estado de salud de los pacientes; reconocimiento de patrones en la
diagnóstico del cáncer está en continua y considerable expansión [3, 4, 5, 6].20
En este estudio, proponemos una nueva mejora del índice B [7], una matemática
mática basada en Redes Neuronales Artificiales y realidad extendida para no
diagnóstico precoz invasivo del cáncer colorrectal. Nos enfrentamos al problema de la predicción de
presencia de cáncer y clasificación por etapas combinando los resultados proporcionados
por múltiples modelos a través de un aprendizaje conjunto, es decir, la votación por mayoría, ap-25
proach [8]. Realizamos un análisis comparativo de los rendimientos, como binario
y predictores de estadios, proporcionados por cuatro modelos de aprendizaje automático: RF (Ran-
dom Forest) [9], XGB (XGBoost) [10], SVM (Support Vector Machine) [11],
y ANN (Red Neuronal Artificial) [12].
Spanish 
English 
Italian 
French 
German 
Portuguese