Inteligencia artificial para un diagnóstico accesible en la identificación del melanoma y otras lesiones
DOI:
https://doi.org/10.20983/culcyt.2025.2.2e.6Palabras clave:
cáncer, melanoma, diagnóstico, aprendizaje profundo, redes neuronales convolucionalesResumen
El objetivo de este proyecto de innovación social es generalizar el acceso a herramientas de diagnóstico precisas, promoviendo la implementación de sistemas de detección temprana en entornos clínicos con recursos limitados. Desarrollar sistemas de aprendizaje profundo para mejorar la precisión de la detección temprana del melanoma que se considera una de las formas más agresivas de cáncer de piel, enfatizados en la necesidad de un diagnóstico preciso para reducir la mortalidad. A través del aprendizaje profundo y el aprendizaje por transferencia, el sistema identifica lesiones cutáneas por medio de imágenes dermatoscópicas, apoyándose en redes neuronales convolucionales (CNN) entrenadas para la extracción de características de imágenes. Este enfoque permite aprovechar el conocimiento preexistente en los modelos CNN para mejorar la eficiencia y precisión de la identificación del melanoma. Además, al reducir la necesidad de procedimientos médicos invasivos y optimizar el uso de recursos en sistemas de salud con infraestructura limitada, el proyecto contribuye a la sostenibilidad del cuidado de la salud, fomentando diagnósticos más accesibles y precisos. La metodología de desarrollo es esencial y se presenta en este trabajo, con la expectativa de que la mejora en las capacidades de detección del melanoma tenga un impacto positivo en la salud pública y en la sostenibilidad a largo plazo.
Descargas
Citas
A. C. Geller et al., “Advancing Survivors Knowledge (ASK Study) of Skin Cancer Surveillance after Childhood Cancer: A Randomized Controlled Trial in the Childhood Cancer Survivor Study”, J Clin Oncol, vol. 41, n.º 12, pp. 2269-2280, abr. 2023, doi: 10.1200/JCO.22.00408.
H. Sung et al., “Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries”, CA Cancer J Clin, vol. 71, n.º 3, pp. 209-249, may. 2021, doi: 10.3322/caac.21660.
WHO, The effect of occupational exposure to solar ultraviolet radiation on malignant skin melanoma and non-melanoma skin cancer: a systematic review and meta-analysis from the WHO/ILO joint estimates of the work-related burden of disease and injury. Ginebra: World Health Organization, 2021.
J. F. Gallegos. “En verano, reforzar cuidados para reducir riesgos de cáncer de piel”. GOB.mx. Disponible: https://www.gob.mx/imss/articulos/en-verano-reforzar-cuidados-para-reducir-riesgos-de-cancer-de-piel?idiom=es (accedido: oct. 23, 2024).
A. Cámara-Salazar et al., “Características individuales y por entidad federativa de la mortalidad por melanoma en México entre 2014 y 2018”, Dermatol Rev Mex, vol. 64, n.º 3, pp. 248-254, may. 2020.
J. F. Gallegos. “Día Mundial del Melanoma Cutáneo”. GOB.mx. Disponible: https://www.gob.mx/imss/articulos/dia-mundial-del-melanoma-cutaneo?idiom=es (accedido: oct. 23, 2024).
American Cancer Society. “Cáncer de piel tipo melanoma”. CANCER.net. https://www.cancer.org/es/cancer/tipos/cancer-de-piel-tipo-melanoma.html (accedido: ag. 23, 2025).
IARC, “Melanoma Awareness Month 2022”. IARC.who.int. https://www.iarc.who.int/news-events/melanoma-awareness-month-2022/ (accedido: oct. 17, 2022).
C. Alonso-Belmonte, T. Montero-Vilchez, S. Arias-Santiago y A. Buendía-Eisman, “Situación actual de la prevención del cáncer de piel: una revisión sistemática”, Actas Dermosifiliogr, vol. 113, n.º 8, pp. 781-791, sept. 2022, doi: 10.1016/j.ad.2022.04.015.
Secretaría de Salud. “Falta de prevención y detección tardía ocasiona 30% de fallecimientos en pacientes con melanoma”. GOB.mx. https://www.gob.mx/salud/prensa/196-falta-de-prevencion-y-deteccion-tardia-ocasiona-30-de-fallecimientos-en-pacientes-con-melanoma (accedido: oct. 23, 2024).
Mayo Clinic. “Diagnóstico y tratamiento”. Cáncer de piel. https://www.mayoclinic.org/es-es/diseases-conditions/skin-cancer/diagnosis-treatment/drc-20377608 (accedido: oct. 17, 2022).
D. N. H. Thanh, V. B. S. Prasath, L. M. Hieu y N. N. Hien, “Melanoma Skin Cancer Detection Method Based on Adaptive Principal Curvature, Colour Normalisation and Feature Extraction with the ABCD Rule”, J Digit Imaging, vol. 33, n.º 3, pp. 574-585, jun. 2020, doi: 10.1007/s10278-019-00316-x.
P. Castañeda y J. E. Téllez, “El cáncer de piel, un problema actual”, Rev. Fac. Med. (Méx.), vol. 59, n.º 2, pp. 6-14, mar./abr. 2016.
“Abordaje Diagnóstico del Melanoma Maligno”, catálogo maestro de guías de práctica clínica IMSS-547-1, Instituto Mexicano del Seguro Social, Ciudad de México, 2012. [En línea]. Disponible: https://www.imss.gob.mx/sites/all/statics/guiasclinicas/547GRR.pdf
I. Arellano, Saúl. Lecciones de Dermatología, 16.ª ed. México: McGraw Hill, 2015.
H. Kittler, H. Pehamberger, K. Wolff y M. Binder, “Diagnostic accuracy of dermoscopy”, Lancet Oncol, vol. 3, n.º 3, pp. 159-165, mar. 2002, doi: 10.1016/S1470-2045(02)00679-4.
P. Weber, P. Tschandl, C. Sinz y H. Kittler, “Dermatoscopy of Neoplastic Skin Lesions: Recent Advances, Updates, and Revisions”, Curr Treat Options Oncol, vol. 19, n.º 11, sept. 2018, doi: 10.1007/s11864-018-0573-6.
N. C. F. Codella et al., “Skin Lesion Analysis Toward Melanoma Detection: A Challenge at the 2017 International Symposium on Biomedical Imaging (ISBI), Hosted by the International Skin Imaging Collaboration (ISIC)”, arXiv:1710.05006, oct. 2017. [En línea]. Disponible: arXiv, doi: 10.48550/arXiv.1710.05006. [Accedido: oct. 23, 2024].
S. Jinnai, N. Yamazaki, Y. Hirano, Y. Sugawara, Y. Ohe y R. Hamamoto, “The development of a skin cancer classification system for pigmented skin lesions using deep learning”, Biomolecules, vol. 10, n.º 8, pp. 1-13, ag. 2020, doi: 10.3390/biom10081123.
P. Tschandl, C. Rosendahl y H. Kittler, “Data descriptor: The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions”, Sci Data, vol. 5, n.º 180161, pp. 1-9, 2018, doi: 10.1038/sdata.2018.161.
J. Bobadilla, Machine Learning y Deep Learning: Usando Python, Scikit y Keras. Colombia: Ediciones de la U, 2021.
H.-J. Chiu, T.-H. S. Li y P.-H. Kuo, “Breast Cancer–Detection System Using PCA, Multilayer Perceptron, Transfer Learning, and Support Vector Machine”, en IEEE Access, vol. 8, pp. 204309-204324, 2020, doi: 10.1109/ACCESS.2020.3036912.
L. Hoang, S. H. Lee, E. J. Lee y K. R. Kwon, “Multiclass Skin Lesion Classification Using a Novel Lightweight Deep Learning Framework for Smart Healthcare”, Appl. Sci., vol. 12, n.º 5, mar. 2022, doi: 10.3390/app12052677.
C. Shorten y T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning”, J Big Data, vol. 6, n.º 60, 2019, doi: 10.1186/s40537-019-0197-0.
L. Taylor y G. Nitschke, “Improving Deep Learning with Generic Data Augmentation”, 2018 IEEE Symposium Series on Computational Intelligence (SSCI), Bangalore, India, 2018, pp. 1542-1547, doi: 10.1109/SSCI.2018.8628742.
I. S. Ali, M. F. Mohamed y Y. B. Mahdy, “Data Augmentation for Skin Lesion using Self-Attention based Progressive Generative Adversarial Network”, arXiv:1910.11960, oct. 2019. [En línea]. Disponible: arXiv, doi: 10.48550/arXiv.1910.11960. [Accedido: oct. 23, 2024].
D. Bisla, A. Choromanska, R. S. Berman, J. A. Stein, D. Polsky y R. O. Perelman, “Towards Automated Melanoma Detection with Deep Learning: Data Purification and Augmentation”, arXiv:1902.06061, 2019. [En línea]. Disponible: arXiv, doi: 10.48550/arXiv.1902.06061. [Accedido: oct. 23, 2024].
S. Joshi, J. A. Owens, S. Shah y T. Munasinghe, “Analysis of Preprocessing Techniques, Keras Tuner, and Transfer Learning on Cloud Street image data”, 2021 IEEE International Conference on Big Data (Big Data), Orlando, FL, EUA, 2021, pp. 4165-4168, doi: 10.1109/BigData52589.2021.9671878.
P. Sutradhar, P. Kumer, I. Prodan, S. Saddi y V. S. Rozario, “Multi-Modal Case Study on MRI Brain Tumor Detection Using Support Vector Machine, Random Forest, Decision Tree, K-Nearest Neighbor, Temporal Convolution & Transfer Learning”, AIUB J. Sci. Eng., vol. 20, n.º 3, sept. 2021.
D. N. T. Le, H. X. Le, L. T. Ngo y H. T. Ngo, “Transfer learning with class-weighted and focal loss function for automatic skin cancer classification”, arXiv:2009.05977, sept. 2020. [En línea]. Disponible: arXiv, doi: 10.48550/arXiv.2009.05977.
A. Abbas, M. M. Abdelsamea y M. M. Gaber, “DeTrac: Transfer Learning of Class Decomposed Medical Images in Convolutional Neural Networks”, IEEE Access, vol. 8, pp. 74901-74913, 2020, doi: 10.1109/ACCESS.2020.2989273. [Accedido: oct. 23, 2024].
L. Singh, R. R. Janghel y S. P. Sahu, “TrCSVM: a novel approach for the classification of melanoma skin cancer using transfer learning”, Data Technol. Appl., vol. 55, n.º 1, pp. 64-81, en. 2021, doi: 10.1108/DTA-06-2020-0126.
H. K. Kondaveeti y P. Edupuganti, “Skin Cancer Classification using Transfer Learning”, 2020 IEEE International Conference on Advent Trends in Multidisciplinary Research and Innovation (ICATMRI), Buldhana, India, 2020, pp. 1-4, doi: 10.1109/ICATMRI51801.2020.9398388.
S. Jain, U. Singhania, B. Tripathy, E. A. Nasr, M. K. Aboudaif y A. K. Kamrani, “Deep learning-based transfer learning for classification of skin cancer”, Sensors, vol. 21, n.º 23, dic. 2021, doi: 10.3390/s21238142.
S. A. Althubiti, F. Alenezi, S. Shitharth, K. Sangeetha y V. S. R. Chennareddy, “Circuit Manufacturing Defect Detection Using VGG16 Convolutional Neural Networks”, Wirel Commun Mob Comput, vol. 2022, n.º 1070405, 2022, doi: 10.1155/2022/1070405.
M. P. Uddin, M. Al Mamun y M. A. Hossain, “PCA-based Feature Reduction for Hyperspectral Remote Sensing Image Classification”, IETE Tech. Rev., vol. 38, n.º 4, pp. 377-396, 2020, doi: 10.1080/02564602.2020.1740615.
R. O. Ogundokun, S. Misra, A. O. Akinrotimi y H. Ogul, “MobileNet-SVM: A Lightweight Deep Transfer Learning Model to Diagnose BCH Scans for IoMT-Based Imaging Sensors”, Sensors 2023, vol. 23, n.º 2, en. 2023, doi: 10.3390/S23020656.
A. Kumar, A. Ashok y M. A. Ansari, “Brain Tumor Classification Using Hybrid Model Of PSO And SVM Classifier”, 2018 International Conference on Advances in Computing, Communication Control and Networking (ICACCCN), Greater Noida, India, 2018, pp. 1022-1026, doi: 10.1109/ICACCCN.2018.8748787.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Verónica Angélica Villalobos Romo, Soledad Vianey Torres Argüelles, José David Díaz Román
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Todos los contenidos de CULCYT se distribuyen bajo una licencia de uso y distribución “Creative Commons Reconocimiento-No Comercial 4.0 Internacional” (CC-BY-NC). Puede consultar desde aquí la versión informativa de la licencia.
Los autores/as que soliciten publicar en esta revista, aceptan los términos siguientes: a) los/las autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra; y b) se permite y recomienda a los/las autores/as agregar enlaces de sus artículos en CULCYT en la página web de su institución o en la personal, debido a que ello puede generar intercambios interesantes y aumentar las citas de su obra publicada.
