Clasificación multimodal de lesiones cutáneas para el diagnóstico temprano del cáncer mediante aprendizaje profundo

Área de la Ciencia:

• Dermatología e Inteligencia Artificial
• Análisis de imágenes médicas
• Patología computacional

Sus antecedentes:

• El cáncer de piel, especialmente el melanoma, es una preocupación importante para la salud mundial.
• La detección temprana del cáncer de piel mejora drásticamente las tasas de supervivencia y la eficacia del tratamiento.
• Los métodos de diagnóstico tradicionales pueden requerir muchos recursos y depender de la interpretación de expertos.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje profundo para la detección precisa y eficiente del cáncer de piel.
• Aprovechar las redes neuronales profundas convolucionales (DCNN) para clasificar lesiones cutáneas a partir de imágenes dermatoscópicas.
• Mejorar la precisión diagnóstica y ayudar a los dermatólogos en la identificación temprana del cáncer de piel.

Principales métodos:

• Se utilizó el conjunto de datos HAM10000 que comprende imágenes dermatoscópicas de lesiones cutáneas.
• Se emplearon tres arquitecturas DCNN: DenseNet-201, VGG16 e InceptionV3.
• Se implementaron estrategias de preprocesamiento, ajuste fino, ensamblaje de modelos y Grad-CAM para la interpretabilidad.

Principales resultados:

• El modelo de conjunto logró una precisión de prueba del 97,9 %.
• El modelo demostró un rendimiento superior con una puntuación F1, recuperación y precisión del 99,2 %.
• El enfoque de conjunto superó a los modelos DCNN individuales en la clasificación de lesiones cutáneas.

Conclusiones:

• Los modelos de aprendizaje profundo de conjunto muestran una alta eficacia en la detección automatizada de lesiones cutáneas.
• El modelo desarrollado ofrece una herramienta prometedora para el diagnóstico temprano y preciso del cáncer de piel.
• La mejora de la interpretabilidad del modelo a través de Grad-CAM aumenta la aplicabilidad clínica y la confianza.