ARTÍCULO ORIGINAL Rev. Methodo 2025;10(2):12- 16
https://doi.org/10.22529/me.2025.10(2)0 3
Recibido 30 Ago. 2024 | Aceptado 21 Oct. 2024 |Publicado 07 Abr. 2025
Aplicación de inteligencia artificial como herramienta para la optimización en el diagnóstico de melanoma
Application of artificial intelligence as a tool for optimization in the diagnosis of melanoma
Ignacio Gutiérrez Magaldi1 Pablo Tabares2, Guillermo Tabares3, Facundo Tabares4 , Susana Gómez Zanni5, Florencia Pascualini5, Mariana Papa5, Nahuel Cedrés6, Mateo Cherasco7, Jorge Llanos 7
1. Universidad Católica de Córdoba. Facultad de Ciencias de la Salud. Clínica Universitaria Reina Fabiola, Servicio de Medicina Interna, Córdoba, Argentina. Chief Medical Officer & HealthCare Training Leader Training Ground | Avedian Healthtech Solutions
2.Co Founder & Chief Operating Officer | Avedian Healthtech Solutions 3.CoFounder & Chief Executive Officer Business | Avedian Healthtech Solutions 4.Chief Financial Officer| Avedian Healthtech Solutions
5.Universidad Católica de Córdoba, Facultad de Ciencias de la Salud, Clínica Universitaria
Reina Fabiola, Servicio de Dermatología, Córdoba, Argentina.
6. Data Science Leader | Avedian Healthtech Solutions
7. Data Science | Avedian Healthtech Solutions
Correspondencia: Ignacio Gutiérrez Magaldi E-mail: ignaciogutierrezmagaldi@curf.ucc.edu.ar
Resumen
INTRODUCCIÓN: El melanoma, un cáncer de piel con creciente incidencia global, es prevalente en regiones con poblaciones de piel clara. Su capacidad para metastatizar y la alta tasa de mortalidad resaltan la necesidad de una detección temprana, para una intervención efectiva y potencial reducción de riesgo de metástasis.
Estrategias como autoexámenes y revisiones dermatológicas son esenciales. La inteligencia artificial (IA) ha emergido como una herramienta con mayor precisión y rapidez en el análisis de imágenes cutáneas. OBJETIVOS: 1. Lograr la optimización en el diagnóstico precoz de melanoma a través de la IA como herramienta colaborativa en dermatoscopia. 2. Determinar la exactitud diagnóstica de la Inteligencia Artificial como herramienta en dermatoscopia vs el diagnóstico del ojo humano a través de un dermatólogo especializado.
MATERIAL Y METODOS: Se trata de un estudio prospectivo, de cohorte de tipo transversal. Desde Avedian desarrollamos un modelo de deep learning para la detección de melanoma.
Entrenamos el modelo con 12.000 imágenes (tamaño muestral n: 12.000 imágenes; tamaño muestral necesario según cálculo de Machin es de 526 imágenes) obtenidas de base de datos obtenidas de la international skin imagine collaboration, e hicimos un estudio comparativo de clasificación de imágenes de melanomas y lunares sanos.
Por otro lado, les otorgamos 40 imágenes a 2 dermatólogos especializados en la detección de nevus y melanomas, a los que les pedimos que clasifiquen estas imágenes según su experiencia y criterio clínico, en forma binaria.
RESULTADOS: El estudio comparativo mostró una precisión global del modelo de deep learning por IA, del 82.5%, con 85% para nevos y 80% para melanomas, en comparación con el sistema clasificatorio binario de los médicos dermatólogos, (61%), con una sensibilidad del 85% y especificidad del 82%, nivel de confianza del 95%.
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba. Jacinto Ríos 571 Bº Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4938000 Int.3219 / Correo: methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar |ARTÍCULO ORIGINAL Rev. Methodo 2025;10(2):12- 16.
12
Gutiérrez Magaldi I, Tabares P., Tabares G., Tabares F., Gómez Zanni S., Papa M., Pascualini F., Cedres N., Cherasco M., Llanos J. Aplicación de Inteligencia Artificial como herramienta para la optimización en el diagnóstico de melanoma .
CONCLUSIÓN: La integración de la IA en la detección precoz promete avances significativos en el diagnóstico y tratamiento del melanoma y permite optimizar las herramientas de diagnóstico precoz.
Palabras claves: melanoma, inteligencia artificial, detección precoz.
Abstract
INTRODUCTION: Melanoma, a skin cancer with increasing global incidence, is prevalent in regions with light-skinned populations. Its ability to metastasize and high mortality rate highlight the need for early detection, for effective intervention and potential reduction of risk of metastasis Strategies such as self - examinations and dermatological check-ups are essential. Artificial intelligence (AI) has emerged as a tool with greater precision and speed in the analysis of skin images.
OBJECTIVES: 1. Achieve optimization in the early diagnosis of melanoma through AI as a collaborative tool in dermatoscopy. 2. Determine the diagnostic accuracy of Artificial Intelligence as a tool in dermatoscopy vs. the diagnosis of the human eye through a specialized dermatologist.
MATERIAL AND METHODS: This is a prospective, cross-sectional cohort study.
At Avedian we developed a deep learning model for the detection of melanoma. We trained the model with 12,000 images (sample size n: 12,000 images; the required sample size according to Machin' s calculation is 526 images) obtained from the database obtained from the international skin imagine collaboration, and we carried out a comparative study of image classification of melanomas and healthy moles. On the other hand, we gave 40 images to 2 dermatologists specialized in the detection of nevi and melanomas, who were asked to classify these images according to their experience and clinical criteria, in binary form.
RESULTS: The comparative study showed an overall accuracy of the AI deep learning model of 82.5%, with 85% for nevi and 80% for melanomas, compared to the binary classification system of dermatologists, (61%), with a sensitivity of 85% and specificity of 82%, confidence level of 95%.
CONCLUSIONS: The integration of AI in early detection promises significant advances in the diagnosis and treatment of melanoma and allows for the optimization of early diagnosis tools.
Keywords: melanoma, artificial intelligence, early detection.
Introducción cáncer de piel, pero la más grave. Su incidencia El melanoma es una de las formas más agresivas está en aumento, lo que resalta la necesidad
y mortales de cáncer de piel, conocido por su alta urgente de mejorar las estrategias de detección capacidad de metastatizar y su elevada tasa de precoz para identificar la enfermedad en sus mortalidad si no se detecta a tiempo. Es el tumor primeras etapas, donde el tratamiento es más cutáneo más agresivo y su incidencia aumenta eficaz y las posibilidades de supervivencia son dramáticamente debido al aumento de la considerablemente mayores. El aumento en la exposición solar en combinación con el genotipo, incidencia en estas regiones subraya la fenotipo e inmunocompetencia del paciente1. Su importancia de adoptar y perfeccionar métodos incidencia global está en constante aumento, diagnósticos que faciliten la detección temprana especialmente en regiones con poblaciones de del melanoma, para poder intervenir de manera piel clara. En países como Australia y Nueva más efectiva y reducir la mortalidad asociada a Zelanda, así como en diversas zonas de Europa y esta enfermedad.
América del Norte, la tasa de incidencia de El examen físico de la piel es el primer paso en melanoma es particularmente alta. En América, la evaluación de lesiones cutáneas sospechosas. el melanoma también representa una Durante esta evaluación, un dermatólogo preocupación creciente. En Estados Unidos, por examina visualmente la piel en busca de ejemplo, se estima que uno de cada 38 hombres anomalías como cambios en el color, tamaño, y una de cada 50 mujeres serán diagnosticados forma o textura de los nevos (lunares) y otras con melanoma en algún momento de su vida. En lesiones. Aunque es fundamental, el examen América Latina, la situación varía, pero la físico tiene limitaciones significativas. La incidencia también muestra una tendencia precisión del diagnóstico depende en gran ascendente, con una notable preocupación en medida de la experiencia y la habilidad del países como Argentina. En Argentina, el médico. Las características sutiles de los melanoma es la variedad menos frecuente de melanomas in situ, pueden pasar desapercibidas,
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba. Jacinto Ríos 571 Bº Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4938000 Int.3219 / Correo: methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTÍCULO ORIGINAL Rev. Methodo 2025;10(2):12- 16.
13
Gutiérrez Magaldi I, Tabares P., Tabares G., Tabares F., Gómez Zanni S., Papa M., Pascualini F., Cedres N., Cherasco M., Llanos J. Aplicación de Inteligencia Artificial como herramienta para la optimización en el diagnóstico de melanoma .
especialmente en pacientes con numerosos nevos diagnóstico precoz de lesiones con sospecha de o en lesiones que presentan cambios mínimos. malignidad3 .
La dermatoscopia, también conocida como Una de las principales ventajas de la IA es su microscopía de epiluminiscencia, es una técnica capacidad para proporcionar un diagnóstico que utiliza un dispositivo especializado para preliminar rápido y confiable. Los algoritmos de examinar la piel con mayor detalle. Este método IA están entrenados para identi ficar permite observar la estructura de las lesiones características sutiles en los nevus que podrían cutáneas en un nivel más profundo, revelando ser pasadas por alto durante un examen físico o patrones que no son visibles a simple vista. dermatoscopia convencional. Por ejemplo, Constituye una herramienta esencial en el pueden detectar variaciones en la coloración, consultorio dermatológico, que complementa el asimetrías y bordes irregulares con una precisión examen físico clínico de la piel. superior. La IA puede analizar grandes Comparando imágenes dermatoscópicas cantidades de datos e imágenes en poco tiempo, sucesivas de un nevus, podemos apreciar lo que acelera el proceso de detección y permite cambios mucho antes de que esa inestabilidad a los dermatólogos concentrarse en las lesiones sea evidente. Uno de los objetivos básicos de la más sospechosas para un análisis más detallado. dermatoscopia digital es facilitar el archivo y la
comparación de las imágenes sucesivas de los
lunares atípicos. Esto ha mejorado Objetivos
significativamente la precisión diagnóstica en 1. Lograr la optimización en el diagnóstico comparación con el examen físico solo, ya que precoz de melanoma a través de la IA como puede identificar características específicas de herramienta colaborativa en dermatoscopia melanoma, como los patrones pigmentarios y la 2. Determinar la exactitud diagnóstica de la vascularización, entre otros. Sin embargo, su Inteligencia Artificial como herramienta en eficacia también está limitada por la capacidad dermatoscopia vs el diagnóstico del ojo humano del dermatólogo para interpretar las imágenes y a través de un dermatólogo especializado.
por la variabilidad en las prácticas entre
diferentes profesionales2 .
Cuando una lesión sospechosa es identificada Desarrollo
mediante examen físico o dermatoscopia, la
biopsia es el siguiente paso crucial para La detección temprana del melanoma es esencial confirmar el diagnóstico. La biopsia implica la para reducir la morbilidad y mortalidad asociada extracción de una muestra de tejido para su con esta enfermedad. Los métodos tradicionales análisis histopatológico. Hay varios tipos de de diagnóstico, aunque efectivos, tienen biopsias, incluyendo biopsias por escisión, limitaciones que pueden afectar la precisión y la incisión y punch. rapidez de la detección. El examen físico, aunque La biopsia proporciona información definitiva fundamental, depende en gran medida de la sobre la presencia de melanoma y su extensión, habilidad del médico y puede pasar por alto permitiendo su estadificación y la conducta a lesiones sutiles. La dermatoscopia mejora el seguir. diagnóstico al proporcionar una visión más detallada, pero aún requiere la interpretación
experta del dermatólogo. La biopsia, aunque
Discusión definitiva, es invasiva y puede retrasar el inicio En los últimos años, la inteligencia artificial (IA) delLa IAtratamiento.representa una evolución significativa en
ha emergido como una herramienta el campo del diagnóstico dermatológico. Al revolucionaria en distintas áreas, especialmente proporcionar un análisis rápido y preciso de en la medicina. La IA utiliza algoritmos de imágenes cutáneas, la IA puede identificar aprendizaje automático y redes neuronales patrones que podrían ser difíciles de detectar por profundas para analizar grandes volúmenes de métodos tradicionales. La combinación de IA datos e imágenes, identificando patrones con métodos diagnósticos convencionales tiene complejos que pueden ser difíciles de detectar el potencial de mejorar significativamente la por el ojo humano. Los sistemas basados en IA precisión del diagnóstico y la detección temprana pueden procesar y analizar imágenes con una de melanoma. La capacidad de la IA para precisión notable, brindando a los médicos, en procesar grandes volúmenes de datos y ofrecer este caso especialistas en dermatología, una un diagnóstico preliminar confiable facilita la herramienta adicional para la detección temprana identificación rápida de lesiones sospechosas, de melanoma, por ende, la optimización en el
permitiendo una intervención oportuna y adecuada.
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba. Jacinto Ríos 571 Bº Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4938000 Int.3219 / Correo: methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTÍCULO ORIGINAL Rev. Methodo 2025;10(2):12- 16.
14
Gutiérrez Magaldi I, Tabares P., Tabares G., Tabares F., Gómez Zanni S., Papa M., Pascualini F., Cedres N., Cherasco M., Llanos J. Aplicación de Inteligencia Artificial como herramienta para la optimización en el diagnóstico de melanoma .
La integración de la IA en el diagnóstico de textura, distribución de colores y patrones melanoma ofrece varios beneficios importantes. específicos dentro de las imágenes Primero, mejora la precisión diagnóstica, dermatoscópicas. A través de algoritmos de reduciendo el riesgo de errores y falsos negativos aprendizaje profundo, el modelo ajusta sus que podrían retrasar el tratamiento. Segundo, parámetros internos para optimizar la capacidad optimiza la eficiencia del proceso de detección al de reconocimiento y clasificación de lunares. proporcionar un análisis rápido de imágenes, lo Fase de testeo: Para el set de testeo, se utilizaron, que permite a los dermatólogos concentrarse en un total de 1336 imágenes, que fueron casos más complejos y mejorar el manejo de la distribuidas en 50% melanoma y 50% nevus. En carga de trabajo. Tercero, la IA tiene el potencial este estudio, los nevus corresponden a positivos de democratizar el acceso a diagnósticos y los melanomas a negativos. Una vez precisos, especialmente en áreas con recursos completado el entrenamiento, se procede a la fase limitados o en clínicas donde el acceso a de testeo. Aquí, el modelo se prueba con un especialistas en dermatología puede ser conjunto de datos separado que no ha sido restringido. utilizado durante el entrenamiento. Este conjunto de testeo proporciona una evaluación imparcial del desempeño del modelo en condiciones
Material y Método simuladas de aplicación real. Durante el testeo, Se trata de un estudio prospectivo, de cohorte de se calculan métricas de rendimiento como
tipo transversal. accuracy (exactitud), specificity (especificidad), Desde Avedian desarrollamos un modelo de recall (sensibilidad) y f1-score para evaluar la deep learning para la detección de melanoma. capacidad del modelo para generalizar y Entrenamos el modelo con 12.000 imágenes discriminar adecuadamente entre nevus y (tamaño muestral n: 12.000 imágenes; tamaño melanomas.
muestral necesario según cálculo de Machin es Los resultados fueron alentadores (1): El análisis de 526 imágenes) obtenidas de base de datos de melanoma dio una precisión de 78.74%, obtenidas de la internacional skin imagine acertó 526 de un total de 668 diagnósticos de collaboration, e hicimos un estudio comparativo melanomas. Para nevos un total de 83.1%, acertó de clasificación de imágenes de melanomas y 555 de un total de 668 diagnósticos de nevus. lunares sanos4 Dando como resultado una accuracy de 80.91%, Por otro lado, les otorgamos 40 imágenes a 2 una sensibilidad del 82,5%, especificidad de dermatólogos especializados en la detección de 82%, y un f1-score de 0.80. (Figura 1 )
nevus y melanomas, a los que les pedimos que clasifiquen estas imágenes según su experiencia y criterio clínico, en forma binaria (es decir, clasificando según la observación en melanoma o nevus). Desde el punto de vista técnico, les compartimos un documento de Excel en el cual se encontraba link a cada una de las imágenes, teniendo que completar en planilla Excel, con sistema binario denominando a "Melanoma" (0) o "Nevus" (1) por cada imagen según su criterio. En el desarrollo de un modelo de inteligencia artificial para la clasificación de lunares dermatoscópicos, se sigue un proceso estructurado que comprende las fases de entrenamiento, testeo y validación. Este enfoque garantiza la robustez y precisión del modelo en
la identificación de nevus benignos y melanomas Figura 1. Matriz de confusión del set de testeo.
malignos en imágenes de piel.
Fase de Entrenamiento: Durante esta fase inicial, Fase de Validación contra humanos: Para el modelo se expone a un conjunto de más de 12 comparar al modelo entrenado con el ojo humano mil datos etiquetados que contiene imágenes de especializado de doctores dermatólogos se nevus y melanomas. El objetivo principal es escogieron 40 resultados de melanomas y nevus, permitir que el modelo aprenda características el cual se les mostró a dos dermatólogos con distintivas que logren diferenciar entre nevus y dilatada trayectoria (Dr. 1 y Dr. 2) obteniendo melanomas. Estas características pueden incluir resultados inferiores al modelo ya entrenado: Se atributos visuales como tamaño, forma, simetría, comparó el ojo humano de dos dermatólogos (Dr.
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba. Jacinto Ríos 571 Bº Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4938000 Int.3219 / Correo: methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTÍCULO ORIGINAL Rev. Methodo 2025;10(2):12- 16.
15
Gutiérrez Magaldi I, Tabares P., Tabares G., Tabares F., Gómez Zanni S., Papa M., Pascualini F., Cedres N., Cherasco M., Llanos J. Aplicación de Inteligencia Artificial como herramienta para la optimización en el diagnóstico de melanoma .
1 y Dr. 2) contra el modelo ya entrenado. Melanomas: el Dr. 1 tuvo una precisión del 70% y el Dr. 2 un 45% para melanoma. El modelo de IA tuvo 80% de accuracy en la identificación de melanomas. Nevus: el Dr.1 tuvo una precisión de 70% y el Dr.2 un 60%, para nevus. El modelo de IA obtuvo un 85% de aciertos en nevus.
El set de validación contiene 40 imágenes, la IA consiguió una accuracy de 80% (16) para melanoma, y nevus un total de 85% (17). Dando como resultado una accuracy de 82.5%, un recall de 85%, specificity de 80%, y un f1-score de 0.78.
Resultados
El estudio comparativo arrojó los siguientes datos: mostró una precisión global del modelo
precoz del melanoma, con un nivel de exactitud significativamente mayor al ojo humano de un dermatólogo especializado, considerando a la IA como una herramienta complementaria y no como un reemplazo de la experiencia y el juicio clínico del dermatólogo.
Entendemos que la colaboración entre la medicina y la tecnología será clave para enfrentar el desafío del melanoma y avanzar hacia una detección más eficaz y oportuna.
Bibliografía
1- Paula A. Enz, Alicia Kowalczuk , Ricardo Galimberti. Melanoma (parte 2) Clínica, estadificación y seguimiento. Artículo de Revisión. Rev. Hosp. Ital. B.Aires Vol. 24 Nº
de deep learning por IA, del 82.5%, con 85% 2, diciembre 2004.
para nevos y 80% para melanomas, en comparación con el sistema clasificatorio binario de los médicos dermatólogos, 65% y 57.5%, respectivamente, con una sensibilidad del 85% y especificidad del 82%.
El número de muestra poblacional necesario para el estudio, con un nivel de confianza del 95% y un poder estadístico del 80%, es de 526 imágenes (según cálculo de Machín). Esto representa una mejora del 20% en la clasificación de nevos y del 22.5% en la de melanomas, lo cual demuestra que la IA puede alcanzar una alta precisión en la clasificación de melanomas y nevus, subrayando el potencial de la IA en la optimización del
https://www.hospitalitaliano.org.ar/ multimedia/archivos/noticias_attac hs/47/documentos/13612_Ital20 04 %202%2053- 60.pdf
2- Á.Pizarro, J.L. Santiago, D.I. Santiago. Prevención y diagnóstico precoz del melanoma con Dermatoscopia: una perspectiva biológica. Actas Dermo Sifiliográficas. 2015;106(1): 3- 6.
https://actasdermo.org/es-pdf - S0001731014003573 .
3- A.Martorell, et Al. Inteligencia
diagnóstico precoz. Artificial en dermatología:
¿amenaza u oportunidad? ACTAS Dermo-Sifiliográficas 113(2022)
Conclusión 30- 46.
La detección precoz del melanoma es vital para 4- The International Skin Imaging mejorar los resultados clínicos y reducir la Collaboration. Disponible en mortalidad. Mientras que los métodos https://www.isic- archive.com/ tradicionales de diagnóstico siguen siendo
esenciales, la incorporación de la IA ofrece una mejora significativa en la precisión y la eficiencia del diagnóstico. La combinación de estas herramientas promete optimizar el proceso de detección precoz y mejorar la atención a los pacientes con melanoma.
Mediante este estudio demostramos que la IA
podría lograr la optimización en el diagnóstico
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba. Jacinto Ríos 571 Bº Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4938000 Int.3219 / Correo: methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTÍCULO ORIGINAL Rev. Methodo 2025;10(2):12- 16.
16