Antonio Battistaa, Rosa Alessia Battistab, Federica Battistac, Gerardo
Iovaned,\u2217, 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, Mil\u00e1n, Italia
cIRCCS Fundaci\u00f3n Policl\u00ednico San Matteo, Universidad de Pav\u00eda, Pav\u00eda, Italia
dDepartamento de Inform\u00e1tica, Universidad de Salerno, Salerno, Italia
eDepartamento de Electr\u00f3nica, Informaci\u00f3n y Bioingenier\u00eda, Polit\u00e9cnico de Mil\u00e1n, Mil\u00e1n,
Italia<\/p>
Introducci\u00f3n
El c\u00e1ncer colorrectal (CCR) es una de las neoplasias malignas m\u00e1s comunes entre la
poblaci\u00f3n general, representando 10% de todos los c\u00e1nceres diagnosticados. El CCR representa
el tercer tumor maligno m\u00e1s frecuente en los hombres, mientras que es incluso s\u00f3lo el segundo en
mujeres despu\u00e9s del c\u00e1ncer 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 c\u00e1ncer.
muertes [1]. En las \u00faltimas d\u00e9cadas, el mundo cient\u00edfico ha sido testigo de un ligero descenso
en la incidencia y mortalidad del CCR, supuestamente relacionadas tanto con la aplicaci\u00f3n
de los programas de cribado masivo y el consiguiente reconocimiento m\u00e1s temprano de la enfermedad.
en fases iniciales. Alteraci\u00f3n de la hemoglobina y del ADN detectada en muestras de heces10
junto con la endoscopia es la prueba de cribado m\u00e1s difundida y recomendada en
la poblaci\u00f3n general. Sin embargo, est\u00e1n lastrados por una sensibilidad bastante baja
e invasividad, respectivamente [2]. Por este motivo, el eventual desarrollo de
nuevos enfoques m\u00ednimamente invasivos, altamente sensibles y espec\u00edficos tiene una
papel en el objetivo de reconocer la enfermedad en la fase m\u00e1s temprana posible.
La Inteligencia Artificial introdujo perspectivas relevantes de la soluci\u00f3n, espe-
cialmente mediante aprendizaje autom\u00e1tico supervisado destinado a aproximar
patrones entre los datos relevantes. Los par\u00e1metros significativos pueden
permiten inferencias sobre el estado de salud de los pacientes; reconocimiento de patrones en la
diagn\u00f3stico del c\u00e1ncer est\u00e1 en continua y considerable expansi\u00f3n [3, 4, 5, 6].20
En este estudio, proponemos una nueva mejora del \u00edndice B [7], una matem\u00e1tica
m\u00e1tica basada en Redes Neuronales Artificiales y realidad extendida para no
diagn\u00f3stico precoz invasivo del c\u00e1ncer colorrectal. Nos enfrentamos al problema de la predicci\u00f3n de
presencia de c\u00e1ncer y clasificaci\u00f3n por etapas combinando los resultados proporcionados
por m\u00faltiples modelos a trav\u00e9s de un aprendizaje conjunto, es decir, la votaci\u00f3n por mayor\u00eda, ap-25
proach [8]. Realizamos un an\u00e1lisis comparativo de los rendimientos, como binario
y predictores de estadios, proporcionados por cuatro modelos de aprendizaje autom\u00e1tico: RF (Ran-
dom Forest) [9], XGB (XGBoost) [10], SVM (Support Vector Machine) [11],
y ANN (Red Neuronal Artificial) [12].<\/p>