Desarrollo de un sistema para el apoyo diagnóstico de leucemia linfoblástica aguda mediante la aplicación de técnicas de análisis de imágenes e inteligencia artificial
El diagnóstico de leucemia linfoblástica aguda (LLA) mediante el análisis morfológico y conteo celular presenta limitaciones como la necesidad de personal altamente capacitado y la falta de estandarización entre observadores. Como alternativa, se propone el desarrollo de un sistema automatizado de a...
- Autores:
-
Bohórquez Becerra, Ana Gisel
Díaz Montiel, Antonia
Mendoza Cavanzo, Ayelen Catalina
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2025
- Institución:
- Universidad Autónoma de Bucaramanga - UNAB
- Repositorio:
- Repositorio UNAB
- Idioma:
- spa
- OAI Identifier:
- oai:repository.unab.edu.co:20.500.12749/29978
- Acceso en línea:
- http://hdl.handle.net/20.500.12749/29978
- Palabra clave:
- Engineering
Biomedical
Artificial intelligence
Acute lymphoblastic leukemia
Medical image analysis
Image processing
Diagnostic support
Biomedical engineering
Biophysics
Bioengineering
Medicine
Biomedical
Machine learning
Theory of machines
Python (Computer program language)
Programming languages (Electronic computers)
Ingeniería biomédica
Ingeniería
Biofísica
Bioingeniería
Medicina
Biomédica
Aprendizaje automático (Inteligencia artificial)
Teoría de las máquinas
Python (Lenguaje de programación de computadores)
Lenguajes de programación (Computadores electrónicos)
Inteligencia artificial
Leucemia linfoblástica aguda
Análisis de imágenes médicas
Procesamiento de imágenes
Apoyo diagnóstico
- Rights
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
| id |
UNAB2_f975d8730f026a34a6b13ebd9f40b4be |
|---|---|
| oai_identifier_str |
oai:repository.unab.edu.co:20.500.12749/29978 |
| network_acronym_str |
UNAB2 |
| network_name_str |
Repositorio UNAB |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Desarrollo de un sistema para el apoyo diagnóstico de leucemia linfoblástica aguda mediante la aplicación de técnicas de análisis de imágenes e inteligencia artificial |
| dc.title.translated.spa.fl_str_mv |
Development of a system for the diagnostic support of acute lymphoblastic leukemia through the application of image analysis techniques and artificial intelligence |
| title |
Desarrollo de un sistema para el apoyo diagnóstico de leucemia linfoblástica aguda mediante la aplicación de técnicas de análisis de imágenes e inteligencia artificial |
| spellingShingle |
Desarrollo de un sistema para el apoyo diagnóstico de leucemia linfoblástica aguda mediante la aplicación de técnicas de análisis de imágenes e inteligencia artificial Engineering Biomedical Artificial intelligence Acute lymphoblastic leukemia Medical image analysis Image processing Diagnostic support Biomedical engineering Biophysics Bioengineering Medicine Biomedical Machine learning Theory of machines Python (Computer program language) Programming languages (Electronic computers) Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Biomédica Aprendizaje automático (Inteligencia artificial) Teoría de las máquinas Python (Lenguaje de programación de computadores) Lenguajes de programación (Computadores electrónicos) Inteligencia artificial Leucemia linfoblástica aguda Análisis de imágenes médicas Procesamiento de imágenes Apoyo diagnóstico |
| title_short |
Desarrollo de un sistema para el apoyo diagnóstico de leucemia linfoblástica aguda mediante la aplicación de técnicas de análisis de imágenes e inteligencia artificial |
| title_full |
Desarrollo de un sistema para el apoyo diagnóstico de leucemia linfoblástica aguda mediante la aplicación de técnicas de análisis de imágenes e inteligencia artificial |
| title_fullStr |
Desarrollo de un sistema para el apoyo diagnóstico de leucemia linfoblástica aguda mediante la aplicación de técnicas de análisis de imágenes e inteligencia artificial |
| title_full_unstemmed |
Desarrollo de un sistema para el apoyo diagnóstico de leucemia linfoblástica aguda mediante la aplicación de técnicas de análisis de imágenes e inteligencia artificial |
| title_sort |
Desarrollo de un sistema para el apoyo diagnóstico de leucemia linfoblástica aguda mediante la aplicación de técnicas de análisis de imágenes e inteligencia artificial |
| dc.creator.fl_str_mv |
Bohórquez Becerra, Ana Gisel Díaz Montiel, Antonia Mendoza Cavanzo, Ayelen Catalina |
| dc.contributor.advisor.none.fl_str_mv |
Franco Arias, Manuel Hernando Solarte David, Víctor Alfonso |
| dc.contributor.author.none.fl_str_mv |
Bohórquez Becerra, Ana Gisel Díaz Montiel, Antonia Mendoza Cavanzo, Ayelen Catalina |
| dc.contributor.cvlac.spa.fl_str_mv |
Franco Arias, Manuel Hernando [0001427755] Solarte David, Víctor Alfonso [1329391] |
| dc.contributor.orcid.spa.fl_str_mv |
Bohórquez Becerra, Ana Gisel [0009-0007-5209-8491] Díaz Montiel, Antonia [0009-0000-7121-0900] Mendoza Cabanzo, Ayelen Catalina [0009-0002-2608-3409] Solarte David, Víctor Alfonso [0000-0002-9856-1484] |
| dc.contributor.researchgroup.spa.fl_str_mv |
Semilleros de Investigación UNAB |
| dc.contributor.apolounab.spa.fl_str_mv |
Franco Arias, Manuel Hernando [manuel-hernando-franco-arias] Solarte David, Víctor Alfonso [víctor-alfonso-solarte-david] |
| dc.contributor.linkedin.spa.fl_str_mv |
Bohórquez Becerra, Ana Gisel [ana-boh%C3%B3rquez-ingeniera-biomedica/] Díaz Montiel, Antonia [antonia-d%C3%ADaz-montiel-689ab6334/] Mendoza Cabanzo, Ayelén Catalina [ayelen-catalina-mendoza-cabanzo-644505363/] Solarte David, Víctor Alfonso [víctor-alfonso-solarte-david-a489a443/] |
| dc.subject.keywords.spa.fl_str_mv |
Engineering Biomedical Artificial intelligence Acute lymphoblastic leukemia Medical image analysis Image processing Diagnostic support Biomedical engineering Biophysics Bioengineering Medicine Biomedical Machine learning Theory of machines Python (Computer program language) Programming languages (Electronic computers) |
| topic |
Engineering Biomedical Artificial intelligence Acute lymphoblastic leukemia Medical image analysis Image processing Diagnostic support Biomedical engineering Biophysics Bioengineering Medicine Biomedical Machine learning Theory of machines Python (Computer program language) Programming languages (Electronic computers) Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Biomédica Aprendizaje automático (Inteligencia artificial) Teoría de las máquinas Python (Lenguaje de programación de computadores) Lenguajes de programación (Computadores electrónicos) Inteligencia artificial Leucemia linfoblástica aguda Análisis de imágenes médicas Procesamiento de imágenes Apoyo diagnóstico |
| dc.subject.lemb.spa.fl_str_mv |
Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Biomédica Aprendizaje automático (Inteligencia artificial) Teoría de las máquinas Python (Lenguaje de programación de computadores) Lenguajes de programación (Computadores electrónicos) |
| dc.subject.proposal.spa.fl_str_mv |
Inteligencia artificial Leucemia linfoblástica aguda Análisis de imágenes médicas Procesamiento de imágenes Apoyo diagnóstico |
| description |
El diagnóstico de leucemia linfoblástica aguda (LLA) mediante el análisis morfológico y conteo celular presenta limitaciones como la necesidad de personal altamente capacitado y la falta de estandarización entre observadores. Como alternativa, se propone el desarrollo de un sistema automatizado de apoyo diagnóstico basado en técnicas de inteligencia artificial y análisis de imágenes, el cual clasifica muestras de sangre periférica mediante la extracción manual de características de intensidad, textura, color y morfología. Se entrenaron y evaluaron diversos modelos de machine learning (KNN, SVM, Random Forest, XGBoost y MLPClassifier) utilizando una base de datos de 3562 imágenes obteniendo puntuaciones F1 superiores al 99,5%. Además, se desarrolló una interfaz gráfica con funciones de autenticación, carga de muestras, almacenamiento de reportes y gestión de usuarios. El sistema evidenció alta precisión diagnóstica con bajos requerimientos computacionales, demostrando su potencial como una herramienta complementaria para el trabajo de los hematólogos. |
| publishDate |
2025 |
| dc.date.accessioned.none.fl_str_mv |
2025-06-18T18:47:28Z |
| dc.date.available.none.fl_str_mv |
2025-06-18T18:47:28Z |
| dc.date.issued.none.fl_str_mv |
2025-05-26 |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.local.spa.fl_str_mv |
Trabajo de Grado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.hasversion.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12749/29978 |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional UNAB |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.unab.edu.co |
| url |
http://hdl.handle.net/20.500.12749/29978 |
| identifier_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB repourl:https://repository.unab.edu.co |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Acevedo, A., Alférez, S., Merino, A., Puigví, L., & Rodellar, J. (2019). Recognition of peripheral blood cell images using convolutional neural networks. Computer Methods And Programs In Biomedicine, 180, 105020. https://doi.org/10.1016/j.cmpb.2019.105020 Acute Lymphoblastic Leukemia (ALL) image dataset. (2021, 30 abril). Kaggle. https://www.kaggle.com/datasets/mehradaria/leukemia Al‐Tahhan, F. E., Fares, M. E., Sakr, A. A., & Aladle, D. A. (2020). Accurate automatic detection of acute lymphatic leukemia using a refined simple classification. Microscopy Research And Technique, 83(10), 1178-1189. https://doi.org/10.1002/jemt.23509 Aprendizaje supervisado. (s. f.). MATLAB & Simulink. https://la.mathworks.com/discovery/supervised-learning.html Arber, D. A., Orazi, A., Hasserjian, R., Thiele, J., Borowitz, M. J., Beau, M. M. L., Bloomfield, C. D., Cazzola, M., & Vardiman, J. W. (2016). The 2016 revision to the World Health Organization classification of myeloid neoplasms and acute leukemia. Blood, 127(20), 2391-2405. https://doi.org/10.1182/blood-2016-03-643544 Aspirado de médula ósea. (s. f.). Hospital Universitario Vall D’Hebron. https://hospital.vallhebron.com/es/asistencia/pruebas-diagnosticas/aspirado-de-medula-osea Baxi, V., Edwards, R., Montalto, M., & Saha, S. (2021). Digital pathology and artificial intelligence in translational medicine and clinical practice. Modern Pathology, 35(1), 23-32. https://doi.org/10.1038/s41379-021-00919-2 Cac, A., & Cac, A. (2024, 2 septiembre). Día mundial de las leucemias 2024 - Cuenta de Alto Costo. Cuenta de Alto Costo - Fondo Colombiano de Cuentas de Alto Costo, organismo técnico no gubernamental del Sistema General de Seguridad Social en Salud de Colombia creado mediante el Decreto 2699 de 2007. https://cuentadealtocosto.org/cancer/dia-mundial-de-las-leucemias-2024/ Clasificación: Exactitud, recuperación, precisión y métricas relacionadas. (s. f.). Google For Developers. https://developers.google.com/machine-learning/crash-course/classification/accuracy-precision-recall?hl=es-419 Cross-validation: evaluating estimator performance. (s. f.). Scikit-learn. https://scikit--learn-org.translate.goog/stable/modules/cross_validation.html?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=tc Daniel. (2024, 30 enero). Isolation Forest: ¿cómo detectar anomalías en un conjunto de datos? DataScientest. https://datascientest.com/es/isolation-forest Del Carmen Expósito Gallardo, M., & Ávila, R. Á. (2008). Aplicaciones de la inteligencia artificial en la Medicina: perspectivas y problemas. ACIMED, 17(5), 0. Diego.Geraldo. (2022, 16 noviembre). Deep learning VS Machine Learning | MIT Professional Education. MIT Professional Education. https://professionalprograms.mit.edu/es/blog/tecnologia/deep-learning-machine-learning/ Du Cancer, C. C. S. /. S. C. (s. f.). Diagnosis of leukemia. Canadian Cancer Society. https://cancer.ca/en/cancer-information/cancer-types/leukemia/diagnosis Extensión de sangre periférica. (s. f.). Hospital Universitario Vall D’Hebron. https://hospital.vallhebron.com/es/asistencia/pruebas-diagnosticas/extension-de-sangre-periferica GeeksforGeeks. (2025, 14 mayo). Feature Selection Techniques in Machine Learning. GeeksforGeeks. https://www.geeksforgeeks.org/feature-selection-techniques-in-machine-learning/ Ghaderzadeh, M., Aria, M., Hosseini, A., Asadi, F., Bashash, D., & Abolghasemi, H. (2021). A fast and efficient CNN model for B‐ALL diagnosis and its subtypes classification using peripheral blood smear images. International Journal Of Intelligent Systems, 37(8), 5113-5133. https://doi.org/10.1002/int.22753 Ghete, T., Kock, F., Pontones, M., Pfrang, D., Westphal, M., Höfener, H., & Metzler, M. (2024). Models for the marrow: A comprehensive review of AI‐based cell classification methods and malignancy detection in bone marrow aspirate smears. HemaSphere, 8(12). https://doi.org/10.1002/hem3.70048 Gonzalez, R. C., & Woods, R. E. (2017). Digital Image Processing, Global Edition. Pearson Higher Education. Goodfellow, L., Bengio, Y., & Courville, A. (s. f.). DEEP LEARNING. http://alvarestech.com/temp/deep/Deep%20Learning%20by%20Ian%20Goodfellow,%20Yoshua%20Bengio,%20Aaron%20Courville%20(z-lib.org).pdf Guerrero, J. L. (2021). Detección y clasificación de células anormales de sangre periférica usando técnicas de N-Shot Learning [Universitat Oberta de Catalunya]. https://openaccess.uoc.edu/bitstream/10609/126709/6/pepelucasTFM0121memoria.pdf Guo, L., Huang, P., Huang, D., Li, Z., She, C., Guo, Q., Zhang, Q., Li, J., Ma, Q., & Li, J. (2021). A classification method to classify bone marrow cells with class imbalance problem. Biomedical Signal Processing And Control, 72, 103296. https://doi.org/10.1016/j.bspc.2021.103296 Ibm. (2025, febrero 27). Random Forest. IBM. https://www.ibm.com/mx-es/think/topics/random-forest Ibm. (2025, abril 1). KNN. IBM. https://www.ibm.com/mx-es/think/topics/knn Ibm. (2025, abril 16). Support Vector Machine. IBM. https://www.ibm.com/think/topics/support-vector-machine Jiménez, J. M. M. (2017). Pregrado de hematología. https://www.sehh.es/images/stories/recursos/2017/10/Libro-HEMATOLOGIA-Pregrado.pdf Joshi, R. C., Yadav, S., Dutta, M. K., & Travieso-González, C. M. (2022). An Efficient Convolutional Neural Network to Detect and Count Blood Cells. Uniciencia, 36(1), 1-11. https://doi.org/10.15359/ru.36-1.28 Kavitha, R., & Viswanathan, N. (2022). Cat-Inspired Deep Convolutional Neural Network for Bone Marrow Cancer Cells Detection. Intelligent Automation & Soft Computing, 33(2), 1305-1320. https://doi.org/10.32604/iasc.2022.022816 Kavlakoglu, E., & Russi, E. (2025, 10 febrero). XGBoost. IBM. https://www.ibm.com/mx-es/think/topics/xgboost KFold. (s. f.). Scikit-learn. https://scikit--learn-org.translate.goog/stable/modules/generated/sklearn.model_selection.KFold.html?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=tc#sklearn.model_selection.KFold Kutner, M. H. (s. f.). Applied Linear Statistical Models (5.a ed.). McGraw-Hill/Irwin. LeaveOneOut. (s. f.). Scikit-learn. https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.LeaveOneOut.html León Ortiz, I., & Alférez Baquero, E. S. (2021). EXPLORACIÓN DE TÉCNICAS DE SE-SEMI-SUPERVISED LEARNING PARA LA CLASIFICACIÓN DE IMÁGENES DE CÉLULAS DE SANGRE PERIFÉRICA [Universitat Oberta de Catalunya]. https://openaccess.uoc.edu/bitstream/10609/132289/8/isaacleorTFM0621memoria.pdf Machine Learning con MATLAB - Aprendizaje no supervisado. (s. f.). MATLAB & Simulink. https://la.mathworks.com/campaigns/offers/next/machine-learning-with-matlab/unsupervised-learning.html?s_tid=srchtitle_site_search_1_aprendizaje+no+supervisado Matas, A., & Matas, A. (s. f.). Diseño del formato de escalas tipo Likert: un estado de la cuestión. https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1607-40412018000100038#:~:text=Las%20llamadas%20%E2%80%9Cescalas%20Likert%E2%80%9D%20son,unidimensional%20(Bertram%2C%202008) Muntasa, A., & Yusuf, M. (2019). Modeling of the Acute Lymphoblastic Leukemia Detection based on the Principal Object Characteristics of the Color Image. Procedia Computer Science, 157, 87-98. https://doi.org/10.1016/j.procs.2019.08.145 Muñoz, P. (2013). Máscaras binarias o máscaras de bits. ResearchGate. https://www.researchgate.net/publication/327558155_Mascaras_binarias_o_mascaras_de_bits_Pedro_Munoz Murel, J., PhD, & Kavlakoglu, E. (2025, 13 febrero). Matriz de confusión. IBM. https://www.ibm.com/es-es/think/topics/confusion-matrix Nagata, Y., Zhao, R., Awada, H., Kerr, C. M., Mirzaev, I., Kongkiatkamon, S., Nazha, A., Makishima, H., Radivoyevitch, T., Scott, J. G., Sekeres, M. A., Hobbs, B. P., & Maciejewski, J. P. (2020). Machine learning demonstrates that somatic mutations imprint invariant morphologic features in myelodysplastic syndromes. Blood, 136(20), 2249-2262. https://doi.org/10.1182/blood.2020005488 NN - Multi-layer Perceptron Classifier (MLPClassifier) - Michael Fuchs Python. (2021, 3 febrero). https://michael-fuchs-python.netlify.app/2021/02/03/nn-multi-layer-perceptron-classifier-mlpclassifier/#mlpclassifier-for-binary-classification Otsu, N. (1979). A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions On Systems Man And Cybernetics, 9(1), 62-66. https://doi.org/10.1109/tsmc.1979.4310076 Peng, K., Peng, Y., Liao, H., Yang, Z., & Feng, W. (2023). Automated bone marrow cell classification through dual attention gates dense neural networks. Journal Of Cancer Research And Clinical Oncology, 149(19), 16971-16981. https://doi.org/10.1007/s00432-023-05384-9 Percival, M., Lai, C., Estey, E., & Hourigan, C. S. (2017). Bone marrow evaluation for diagnosis and monitoring of acute myeloid leukemia. Blood Reviews, 31(4), 185-192. https://doi.org/10.1016/j.blre.2017.01.003 Pruebas de aceptación de usuario (UAT): qué son - We are testers. (2023, 24 febrero). We Are Testers. https://www.wearetesters.com/investigacion-ux/pruebas-aceptacion-usuario-uat-que-son/ Rana, A., Dumka, A., Singh, R., Panda, M. K., Priyadarshi, N., & Twala, B. (2022). Imperative Role of Machine Learning Algorithm for Detection of Parkinson’s Disease: Review, Challenges and Recommendations. Diagnostics, 12(8), 2003. https://doi.org/10.3390/diagnostics12082003 Sangre periférica con expresión de LLC y blastosis de NMRt (LAM monoblástica). (s. f.). https://atlas.gechem.org/index.php?option=com_k2&view=item&id=1634:sangre-periferica-con-expresion-de-llc-y-blastosis-de-nmrt-lam-monoblastica&lang=es Sehmi, M. N. M., Fauzi, M. F. A., Ahmad, W. S. H. M. W., & Chan, E. W. L. (2022). PancreaSYS: an automated Cloud-Based pancreatic cancer grading system. Frontiers In Signal Processing, 2. https://doi.org/10.3389/frsip.2022.833640 Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning. Journal Of Big Data, 6(1). https://doi.org/10.1186/s40537-019-0197-0 Sikder, M. N. K., & Batarseh, F. A. (2023). Outlier detection using AI: a survey. En Elsevier eBooks (pp. 231-291). https://doi.org/10.1016/b978-0-32-391919-7.00020-2 Técnicas de evaluación de modelos de aprendizaje automático. (s. f.). https://es.innovatiana.com/post/how-to-evaluate-ai-models Terwilliger, T., & Abdul-Hay, M. (2017). Acute lymphoblastic leukemia: a comprehensive review and 2017 update. Blood Cancer Journal, 7(6), e577. https://doi.org/10.1038/bcj.2017.53 Vizcaíno, M., Lopera, J. E., Martínez, L., De los Reyes, I., & Linares, A. (2015). Guía de atención integral para la detección oportuna, diagnóstico, tratamiento y seguimiento de leucemia linfoide aguda en niños, niñas y adolescentes. Revista Colombiana de Cancerología, 20(1), 17-27. https://doi.org/10.1016/j.rccan.2015.08.003 |
| dc.relation.uriapolo.spa.fl_str_mv |
https://apolo.unab.edu.co/en/persons/manuel-hernando-franco-arias-2 |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.creativecommons.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) Atribución-NoComercial-SinDerivadas 2.5 Colombia http://purl.org/coar/access_right/c_abf2 |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.spatial.spa.fl_str_mv |
Bucaramanga (Santander, Colombia) |
| dc.coverage.temporal.spa.fl_str_mv |
Agosto 2024 - Mayo 2025 |
| dc.coverage.campus.spa.fl_str_mv |
UNAB Campus Bucaramanga |
| dc.publisher.grantor.spa.fl_str_mv |
Universidad Autónoma de Bucaramanga UNAB |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad Ingeniería |
| dc.publisher.program.spa.fl_str_mv |
Pregrado Ingeniería Biomédica |
| dc.publisher.programid.none.fl_str_mv |
IBM-1788 |
| institution |
Universidad Autónoma de Bucaramanga - UNAB |
| bitstream.url.fl_str_mv |
https://repository.unab.edu.co/bitstream/20.500.12749/29978/8/Tesis%20de%20Grado%20-%20Boh%c3%b3rquez%2c%20D%c3%adaz%2c%20Mendoza.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/29978/9/Licencia.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/29978/1/Tesis%20de%20Grado%20-%20Boh%c3%b3rquez%2c%20D%c3%adaz%2c%20Mendoza.pdf https://repository.unab.edu.co/bitstream/20.500.12749/29978/7/Licencia.pdf https://repository.unab.edu.co/bitstream/20.500.12749/29978/6/license.txt |
| bitstream.checksum.fl_str_mv |
90ca2cac0e52e962670d883d954d7ccc c093e44db058b92b2657fe691c4b09f9 6037bed4ad79e972a9cac03c53d6cef5 63078890dffafc9c62207138a32d23ce 3755c0cfdb77e29f2b9125d7a45dd316 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional | Universidad Autónoma de Bucaramanga - UNAB |
| repository.mail.fl_str_mv |
repositorio@unab.edu.co |
| _version_ |
1837097641627877376 |
| spelling |
Franco Arias, Manuel Hernandof54597c9-3b82-4525-9a23-1cf6369a6a66Solarte David, Víctor Alfonsof117db9d-267d-46bf-be23-11fc708fca11Bohórquez Becerra, Ana Giselaaf22c1e-6e23-4a3f-94b2-fe7ab12ebdafDíaz Montiel, Antoniaf8e912e2-1729-42c0-a41a-bbe8050c9042Mendoza Cavanzo, Ayelen Catalina919f49a5-23c6-4d28-b29f-dee00eaea00dFranco Arias, Manuel Hernando [0001427755]Solarte David, Víctor Alfonso [1329391]Bohórquez Becerra, Ana Gisel [0009-0007-5209-8491]Díaz Montiel, Antonia [0009-0000-7121-0900]Mendoza Cabanzo, Ayelen Catalina [0009-0002-2608-3409]Solarte David, Víctor Alfonso [0000-0002-9856-1484]Semilleros de Investigación UNABFranco Arias, Manuel Hernando [manuel-hernando-franco-arias]Solarte David, Víctor Alfonso [víctor-alfonso-solarte-david]Bohórquez Becerra, Ana Gisel [ana-boh%C3%B3rquez-ingeniera-biomedica/]Díaz Montiel, Antonia [antonia-d%C3%ADaz-montiel-689ab6334/]Mendoza Cabanzo, Ayelén Catalina [ayelen-catalina-mendoza-cabanzo-644505363/]Solarte David, Víctor Alfonso [víctor-alfonso-solarte-david-a489a443/]Bucaramanga (Santander, Colombia)Agosto 2024 - Mayo 2025UNAB Campus Bucaramanga2025-06-18T18:47:28Z2025-06-18T18:47:28Z2025-05-26http://hdl.handle.net/20.500.12749/29978instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coEl diagnóstico de leucemia linfoblástica aguda (LLA) mediante el análisis morfológico y conteo celular presenta limitaciones como la necesidad de personal altamente capacitado y la falta de estandarización entre observadores. Como alternativa, se propone el desarrollo de un sistema automatizado de apoyo diagnóstico basado en técnicas de inteligencia artificial y análisis de imágenes, el cual clasifica muestras de sangre periférica mediante la extracción manual de características de intensidad, textura, color y morfología. Se entrenaron y evaluaron diversos modelos de machine learning (KNN, SVM, Random Forest, XGBoost y MLPClassifier) utilizando una base de datos de 3562 imágenes obteniendo puntuaciones F1 superiores al 99,5%. Además, se desarrolló una interfaz gráfica con funciones de autenticación, carga de muestras, almacenamiento de reportes y gestión de usuarios. El sistema evidenció alta precisión diagnóstica con bajos requerimientos computacionales, demostrando su potencial como una herramienta complementaria para el trabajo de los hematólogos.Capítulo 1 .......................................................... 17 1.1 Descripción del problema .......................... 17 1.2 Justificación del problema ......................... 19 1.3 Pregunta de investigación ..........................22 1.4 Objetivo general ........................................ 22 1.5 Objetivos específicos ................................. 22 1.6 Limitaciones .............................................. 22 Capítulo 2 .................................................... 25 2.1 Estado del arte .......................................... 25 2.2 Marco teórico ............................................. 30 2.2.1 Leucemia Linfoblástica Aguda .......... 30 2.2.2 Diagnóstico de LLA ............................. 31 2.2.3 Procesamiento de imágenes ............... 34 2.2.3.1 Mejoras en la calidad visual .......... 34 2.2.3.2 Reducción de ruido ......................... 35 2.2.3.3 Detección de bordes y regiones .... 36 2.2.3.4 Aumento de datos ......................... 38 2.2.4 Clasificación por IA ............................... 38 2.2.5 Machine Learning ................................. 39 2.2.5.1 Outliers ............................................. 40 2.2.5.2 Selección de características ........... 40 2.2.5.3 Modelos de ML ................................ 41 2.2.5.4 Validación cruzada .......................... 43 2.2.6 Deep learning ....................................... 43 2.2.7 Pruebas de rendimiento ...................... 44 2.2.7.1 Métricas de rendimiento ................. 44 2.2.7.2 Matriz de confusión ......................... 46 2.2.8 Evaluación con Escala Likert .............. 47 2.2.9 Pruebas de usuario ............................... 47 2.3 Marco legal ................................................ 47 Capítulo 3 .................................................... 50 3.1 Características del software ...................... 50 3.1.1 Necesidades del cliente ........................ 51 3.1.2 Especificaciones del proyecto .............. 51 3.1.3 Métricas de evaluación ......................... 52 3.2 Desarrollo del software ............................. 52 3.2.1 Diseño de mockups ............................... 52 3.2.2 Adquisición de la base de datos ...........53 3.2.3 Balanceo y aumento de datos ..............54 3.2.4 Preprocesamiento y características .....55 3.2.5 Selección del modelo de IA ................... 58 3.2.6 Desarrollo de la interfaz gráfica ........... 61 3.3 Evaluación del desempeño ........................ 62 3.3.2 Aplicación de la encuesta ...................... 65 3.3.3 Recolección de datos ............................. 65 3.3.4 Análisis de resultados ............................ 66 Capítulo 4 ............................................................ 67 4.1 Requerimientos y especificaciones ........... 67 4.2 Métricas de evaluación seleccionadas ...... 71 4.3 Diseño de mockups para GUI .................... 72 4.3.1 Filtrado de conceptos .............................. 73 4.3.2 Evaluación de conceptos ......................... 74 4.4 Organización del dataset de imágenes ....... 75 4.5 Distribución y balanceo de clases .............. 77 4.6 Preprocesamiento de imágenes .................. 78 4.7 Desarrollo del backend ............................... 84 4.7.1 Eliminación de outliers .......................... 84 4.7.2 Selección de características .................. 84 4.7.3 Modelo de entrenamiento ...................... 86 4.8 Desarrollo de la interfaz gráfica ................. 90 4.9 Manual de usuario ....................................... 92 4.10 Pruebas de funcionalidad .......................... 92 4.11 Pruebas de usabilidad ................................. 93 4.12 Diseño del software .................................... 94 4.13 Desempeño de la clasificación .................. 95 4.14 Evaluación del sistema ............................... 97 Capítulo 5 .................................................... 98 5.1 Trabajo futuro ..............................................99 Bibliografía ...................................................... 101 Anexos ............................................................. 108 Anexo 1 ............................................................ 108 Anexo 1.1 Modelo A ..................................... 108 Anexo 1.2 Modelo B ..................................... 111 Anexo 1.3 Modelo C ..................................... 117PregradoThe diagnosis of acute lymphoblastic leukemia (ALL) through morphological analysis and cell counting presents limitations such as the need for highly trained personnel and the lack of standardization among observers. As an alternative, the development of an automated diagnostic support system based on artificial intelligence techniques and image analysis is proposed. This system classifies peripheral blood simples by manually extracting features related to intensity, textura, color, and morphology. Various machine learning models (KNN, SVM, Random Forest, XGBoost, and MLPClassifier) were trained and evaluated using a database of 3,562 images, achieving F1 scores higher than 99.5%. Additionally, a graphical user interface was developed with features such as authentication, sample uploading, report storage, and user management. The system showed high diagnostic accuracy with low computational requirements, demonstrating its potential as a complementary tool for the work of hematologists.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Atribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2Desarrollo de un sistema para el apoyo diagnóstico de leucemia linfoblástica aguda mediante la aplicación de técnicas de análisis de imágenes e inteligencia artificialDevelopment of a system for the diagnostic support of acute lymphoblastic leukemia through the application of image analysis techniques and artificial intelligenceIngeniero BiomédicoUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería BiomédicaIBM-1788info:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/acceptedVersionhttp://purl.org/redcol/resource_type/TPEngineeringBiomedicalArtificial intelligenceAcute lymphoblastic leukemiaMedical image analysisImage processingDiagnostic supportBiomedical engineeringBiophysicsBioengineeringMedicineBiomedicalMachine learningTheory of machinesPython (Computer program language)Programming languages (Electronic computers)Ingeniería biomédicaIngenieríaBiofísicaBioingenieríaMedicinaBiomédicaAprendizaje automático (Inteligencia artificial)Teoría de las máquinasPython (Lenguaje de programación de computadores)Lenguajes de programación (Computadores electrónicos)Inteligencia artificialLeucemia linfoblástica agudaAnálisis de imágenes médicasProcesamiento de imágenesApoyo diagnósticoAcevedo, A., Alférez, S., Merino, A., Puigví, L., & Rodellar, J. (2019). Recognition of peripheral blood cell images using convolutional neural networks. Computer Methods And Programs In Biomedicine, 180, 105020. https://doi.org/10.1016/j.cmpb.2019.105020Acute Lymphoblastic Leukemia (ALL) image dataset. (2021, 30 abril). Kaggle. https://www.kaggle.com/datasets/mehradaria/leukemiaAl‐Tahhan, F. E., Fares, M. E., Sakr, A. A., & Aladle, D. A. (2020). Accurate automatic detection of acute lymphatic leukemia using a refined simple classification. Microscopy Research And Technique, 83(10), 1178-1189. https://doi.org/10.1002/jemt.23509Aprendizaje supervisado. (s. f.). MATLAB & Simulink. https://la.mathworks.com/discovery/supervised-learning.htmlArber, D. A., Orazi, A., Hasserjian, R., Thiele, J., Borowitz, M. J., Beau, M. M. L., Bloomfield, C. D., Cazzola, M., & Vardiman, J. W. (2016). The 2016 revision to the World Health Organization classification of myeloid neoplasms and acute leukemia. Blood, 127(20), 2391-2405. https://doi.org/10.1182/blood-2016-03-643544Aspirado de médula ósea. (s. f.). Hospital Universitario Vall D’Hebron. https://hospital.vallhebron.com/es/asistencia/pruebas-diagnosticas/aspirado-de-medula-oseaBaxi, V., Edwards, R., Montalto, M., & Saha, S. (2021). Digital pathology and artificial intelligence in translational medicine and clinical practice. Modern Pathology, 35(1), 23-32. https://doi.org/10.1038/s41379-021-00919-2Cac, A., & Cac, A. (2024, 2 septiembre). Día mundial de las leucemias 2024 - Cuenta de Alto Costo. Cuenta de Alto Costo - Fondo Colombiano de Cuentas de Alto Costo, organismo técnico no gubernamental del Sistema General de Seguridad Social en Salud de Colombia creado mediante el Decreto 2699 de 2007. https://cuentadealtocosto.org/cancer/dia-mundial-de-las-leucemias-2024/Clasificación: Exactitud, recuperación, precisión y métricas relacionadas. (s. f.). Google For Developers. https://developers.google.com/machine-learning/crash-course/classification/accuracy-precision-recall?hl=es-419Cross-validation: evaluating estimator performance. (s. f.). Scikit-learn. https://scikit--learn-org.translate.goog/stable/modules/cross_validation.html?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=tcDaniel. (2024, 30 enero). Isolation Forest: ¿cómo detectar anomalías en un conjunto de datos? DataScientest. https://datascientest.com/es/isolation-forestDel Carmen Expósito Gallardo, M., & Ávila, R. Á. (2008). Aplicaciones de la inteligencia artificial en la Medicina: perspectivas y problemas. ACIMED, 17(5), 0.Diego.Geraldo. (2022, 16 noviembre). Deep learning VS Machine Learning | MIT Professional Education. MIT Professional Education. https://professionalprograms.mit.edu/es/blog/tecnologia/deep-learning-machine-learning/Du Cancer, C. C. S. /. S. C. (s. f.). Diagnosis of leukemia. Canadian Cancer Society. https://cancer.ca/en/cancer-information/cancer-types/leukemia/diagnosisExtensión de sangre periférica. (s. f.). Hospital Universitario Vall D’Hebron. https://hospital.vallhebron.com/es/asistencia/pruebas-diagnosticas/extension-de-sangre-perifericaGeeksforGeeks. (2025, 14 mayo). Feature Selection Techniques in Machine Learning. GeeksforGeeks. https://www.geeksforgeeks.org/feature-selection-techniques-in-machine-learning/Ghaderzadeh, M., Aria, M., Hosseini, A., Asadi, F., Bashash, D., & Abolghasemi, H. (2021). A fast and efficient CNN model for B‐ALL diagnosis and its subtypes classification using peripheral blood smear images. International Journal Of Intelligent Systems, 37(8), 5113-5133. https://doi.org/10.1002/int.22753Ghete, T., Kock, F., Pontones, M., Pfrang, D., Westphal, M., Höfener, H., & Metzler, M. (2024). Models for the marrow: A comprehensive review of AI‐based cell classification methods and malignancy detection in bone marrow aspirate smears. HemaSphere, 8(12). https://doi.org/10.1002/hem3.70048Gonzalez, R. C., & Woods, R. E. (2017). Digital Image Processing, Global Edition. Pearson Higher Education.Goodfellow, L., Bengio, Y., & Courville, A. (s. f.). DEEP LEARNING. http://alvarestech.com/temp/deep/Deep%20Learning%20by%20Ian%20Goodfellow,%20Yoshua%20Bengio,%20Aaron%20Courville%20(z-lib.org).pdfGuerrero, J. L. (2021). Detección y clasificación de células anormales de sangre periférica usando técnicas de N-Shot Learning [Universitat Oberta de Catalunya]. https://openaccess.uoc.edu/bitstream/10609/126709/6/pepelucasTFM0121memoria.pdfGuo, L., Huang, P., Huang, D., Li, Z., She, C., Guo, Q., Zhang, Q., Li, J., Ma, Q., & Li, J. (2021). A classification method to classify bone marrow cells with class imbalance problem. Biomedical Signal Processing And Control, 72, 103296. https://doi.org/10.1016/j.bspc.2021.103296Ibm. (2025, febrero 27). Random Forest. IBM. https://www.ibm.com/mx-es/think/topics/random-forestIbm. (2025, abril 1). KNN. IBM. https://www.ibm.com/mx-es/think/topics/knnIbm. (2025, abril 16). Support Vector Machine. IBM. https://www.ibm.com/think/topics/support-vector-machineJiménez, J. M. M. (2017). Pregrado de hematología. https://www.sehh.es/images/stories/recursos/2017/10/Libro-HEMATOLOGIA-Pregrado.pdfJoshi, R. C., Yadav, S., Dutta, M. K., & Travieso-González, C. M. (2022). An Efficient Convolutional Neural Network to Detect and Count Blood Cells. Uniciencia, 36(1), 1-11. https://doi.org/10.15359/ru.36-1.28Kavitha, R., & Viswanathan, N. (2022). Cat-Inspired Deep Convolutional Neural Network for Bone Marrow Cancer Cells Detection. Intelligent Automation & Soft Computing, 33(2), 1305-1320. https://doi.org/10.32604/iasc.2022.022816Kavlakoglu, E., & Russi, E. (2025, 10 febrero). XGBoost. IBM. https://www.ibm.com/mx-es/think/topics/xgboostKFold. (s. f.). Scikit-learn. https://scikit--learn-org.translate.goog/stable/modules/generated/sklearn.model_selection.KFold.html?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=tc#sklearn.model_selection.KFoldKutner, M. H. (s. f.). Applied Linear Statistical Models (5.a ed.). McGraw-Hill/Irwin.LeaveOneOut. (s. f.). Scikit-learn. https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.LeaveOneOut.htmlLeón Ortiz, I., & Alférez Baquero, E. S. (2021). EXPLORACIÓN DE TÉCNICAS DE SE-SEMI-SUPERVISED LEARNING PARA LA CLASIFICACIÓN DE IMÁGENES DE CÉLULAS DE SANGRE PERIFÉRICA [Universitat Oberta de Catalunya]. https://openaccess.uoc.edu/bitstream/10609/132289/8/isaacleorTFM0621memoria.pdfMachine Learning con MATLAB - Aprendizaje no supervisado. (s. f.). MATLAB & Simulink. https://la.mathworks.com/campaigns/offers/next/machine-learning-with-matlab/unsupervised-learning.html?s_tid=srchtitle_site_search_1_aprendizaje+no+supervisadoMatas, A., & Matas, A. (s. f.). Diseño del formato de escalas tipo Likert: un estado de la cuestión. https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1607-40412018000100038#:~:text=Las%20llamadas%20%E2%80%9Cescalas%20Likert%E2%80%9D%20son,unidimensional%20(Bertram%2C%202008)Muntasa, A., & Yusuf, M. (2019). Modeling of the Acute Lymphoblastic Leukemia Detection based on the Principal Object Characteristics of the Color Image. Procedia Computer Science, 157, 87-98. https://doi.org/10.1016/j.procs.2019.08.145Muñoz, P. (2013). Máscaras binarias o máscaras de bits. ResearchGate. https://www.researchgate.net/publication/327558155_Mascaras_binarias_o_mascaras_de_bits_Pedro_MunozMurel, J., PhD, & Kavlakoglu, E. (2025, 13 febrero). Matriz de confusión. IBM. https://www.ibm.com/es-es/think/topics/confusion-matrixNagata, Y., Zhao, R., Awada, H., Kerr, C. M., Mirzaev, I., Kongkiatkamon, S., Nazha, A., Makishima, H., Radivoyevitch, T., Scott, J. G., Sekeres, M. A., Hobbs, B. P., & Maciejewski, J. P. (2020). Machine learning demonstrates that somatic mutations imprint invariant morphologic features in myelodysplastic syndromes. Blood, 136(20), 2249-2262. https://doi.org/10.1182/blood.2020005488NN - Multi-layer Perceptron Classifier (MLPClassifier) - Michael Fuchs Python. (2021, 3 febrero). https://michael-fuchs-python.netlify.app/2021/02/03/nn-multi-layer-perceptron-classifier-mlpclassifier/#mlpclassifier-for-binary-classificationOtsu, N. (1979). A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions On Systems Man And Cybernetics, 9(1), 62-66. https://doi.org/10.1109/tsmc.1979.4310076Peng, K., Peng, Y., Liao, H., Yang, Z., & Feng, W. (2023). Automated bone marrow cell classification through dual attention gates dense neural networks. Journal Of Cancer Research And Clinical Oncology, 149(19), 16971-16981. https://doi.org/10.1007/s00432-023-05384-9Percival, M., Lai, C., Estey, E., & Hourigan, C. S. (2017). Bone marrow evaluation for diagnosis and monitoring of acute myeloid leukemia. Blood Reviews, 31(4), 185-192. https://doi.org/10.1016/j.blre.2017.01.003Pruebas de aceptación de usuario (UAT): qué son - We are testers. (2023, 24 febrero). We Are Testers. https://www.wearetesters.com/investigacion-ux/pruebas-aceptacion-usuario-uat-que-son/Rana, A., Dumka, A., Singh, R., Panda, M. K., Priyadarshi, N., & Twala, B. (2022). Imperative Role of Machine Learning Algorithm for Detection of Parkinson’s Disease: Review, Challenges and Recommendations. Diagnostics, 12(8), 2003. https://doi.org/10.3390/diagnostics12082003Sangre periférica con expresión de LLC y blastosis de NMRt (LAM monoblástica). (s. f.). https://atlas.gechem.org/index.php?option=com_k2&view=item&id=1634:sangre-periferica-con-expresion-de-llc-y-blastosis-de-nmrt-lam-monoblastica&lang=esSehmi, M. N. M., Fauzi, M. F. A., Ahmad, W. S. H. M. W., & Chan, E. W. L. (2022). PancreaSYS: an automated Cloud-Based pancreatic cancer grading system. Frontiers In Signal Processing, 2. https://doi.org/10.3389/frsip.2022.833640Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning. Journal Of Big Data, 6(1). https://doi.org/10.1186/s40537-019-0197-0Sikder, M. N. K., & Batarseh, F. A. (2023). Outlier detection using AI: a survey. En Elsevier eBooks (pp. 231-291). https://doi.org/10.1016/b978-0-32-391919-7.00020-2Técnicas de evaluación de modelos de aprendizaje automático. (s. f.). https://es.innovatiana.com/post/how-to-evaluate-ai-modelsTerwilliger, T., & Abdul-Hay, M. (2017). Acute lymphoblastic leukemia: a comprehensive review and 2017 update. Blood Cancer Journal, 7(6), e577. https://doi.org/10.1038/bcj.2017.53Vizcaíno, M., Lopera, J. E., Martínez, L., De los Reyes, I., & Linares, A. (2015). Guía de atención integral para la detección oportuna, diagnóstico, tratamiento y seguimiento de leucemia linfoide aguda en niños, niñas y adolescentes. Revista Colombiana de Cancerología, 20(1), 17-27. https://doi.org/10.1016/j.rccan.2015.08.003https://apolo.unab.edu.co/en/persons/manuel-hernando-franco-arias-2THUMBNAILTesis de Grado - Bohórquez, Díaz, Mendoza.pdf.jpgTesis de Grado - Bohórquez, Díaz, Mendoza.pdf.jpgIM Thumbnailimage/jpeg5319https://repository.unab.edu.co/bitstream/20.500.12749/29978/8/Tesis%20de%20Grado%20-%20Boh%c3%b3rquez%2c%20D%c3%adaz%2c%20Mendoza.pdf.jpg90ca2cac0e52e962670d883d954d7cccMD58open accessLicencia.pdf.jpgLicencia.pdf.jpgIM Thumbnailimage/jpeg10537https://repository.unab.edu.co/bitstream/20.500.12749/29978/9/Licencia.pdf.jpgc093e44db058b92b2657fe691c4b09f9MD59metadata only accessORIGINALTesis de Grado - Bohórquez, Díaz, Mendoza.pdfTesis de Grado - Bohórquez, Díaz, Mendoza.pdfTesisapplication/pdf15737080https://repository.unab.edu.co/bitstream/20.500.12749/29978/1/Tesis%20de%20Grado%20-%20Boh%c3%b3rquez%2c%20D%c3%adaz%2c%20Mendoza.pdf6037bed4ad79e972a9cac03c53d6cef5MD51open accessLicencia.pdfLicencia.pdfLicenciaapplication/pdf681997https://repository.unab.edu.co/bitstream/20.500.12749/29978/7/Licencia.pdf63078890dffafc9c62207138a32d23ceMD57metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8829https://repository.unab.edu.co/bitstream/20.500.12749/29978/6/license.txt3755c0cfdb77e29f2b9125d7a45dd316MD56open access20.500.12749/29978oai:repository.unab.edu.co:20.500.12749/299782025-06-19 22:01:01.524open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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 |