ORIGINALUso del aprendizaje automático en el diagnóstico del melanoma. Limitaciones por superarMachine Learning in Melanoma Diagnosis. Limitations About to be Overcome
Section snippets
Introducción
La clasificación automatizada de imágenes por reconocimiento de patrones es una rama del aprendizaje automático (del inglés «Machine Learning» [ML]) que ofrece al dermatólogo una herramienta útil para diagnóstico de cáncer de piel1. Las redes neuronales convolucionales profundas (del inglés «Deep convolutional neural networks» [DCNN]) han mejorado de manera extraordinaria la precisión en el aprendizaje de patrones y la clasificación de objetos2, son utilizadas de manera satisfactoria en la
Materiales y métodos
Este estudio se realizó en un hospital universitario de tercer nivel especializado en cáncer cutáneo, localizado en Barcelona, España. Se diseñó un estudio de cohorte retrospectivo donde se incluyeron de manera consecutiva 2.849 imágenes dermatoscópicas de alta calidad de tumores cutáneos, obtenidas a partir de la base de datos de la Unidad de Melanoma, recogidas entre el 2010 y 2014. Se utilizó el sistema de microscopia de epiluminiscencia fotográfica digital DermLite® 3 Gen con una conexión de
Resultados
De las 2.849 imágenes obtenidas a partir de nuestra base de datos, 968 (34%) se consideraron elegibles ya que no presentaron ningún criterio de exclusión para su análisis por ML. Nevus, melanomas y carcinomas basocelulares fueron las lesiones más frecuentes de nuestra base de datos. Solo el 64,7% de los nevus y el 36,6% de los melanomas no tenían ningún criterio de exclusión (tabla 1). De los 528 melanomas, 335 (63,4%) fueron excluidos. La ausencia de piel circundante normal (40,5% de todos los
Discusión
El melanoma representa la causa más frecuente de muerte por neoplasias cutáneas. El diagnóstico y el tratamiento precoz mejoran significativamente su pronóstico. Se requiere el desarrollo de un método de detección que sea eficaz. La clasificación automática de imágenes a partir del reconocimiento de patrones puede alcanzar una precisión diagnóstica similar a la de un dermatólogo experto6. Sin embargo, existen algunas limitaciones que tendrán que ser superadas. Entre ellas se destacan los
Financiación
Este estudio de la Unidad de Melanoma, Hospital Clínic, Barcelona fue financiado en parte por subvenciones del Fondo de Investigaciones Sanitarias P.I. 12/00840, PI15/00956 y PI15/00716 España; por el CIBER de Enfermedades Raras del Instituto de Salud Carlos III, España, cofinanciado por el Fondo Europeo de Desarrollo Regional (FEDER). Unión Europea. Una manera de hacer Europa; por el AGAUR 2014_SGR_603 y 2017_SGR_1134 del Gobierno catalán, España; por una beca de la «Fundació La Marató de TV3,
Conflicto de intereses
Los autores declaran no tener ningún conflicto de intereses.
Agradecimientos
Gracias a nuestros pacientes y a sus familias, que son la razón principal de nuestros estudios; a las enfermeras de la Unidad de Melanoma del Hospital Clínic de Barcelona, Daniel Gabriel, Pablo Iglesias y María E. Moliner por ayudar a recopilar datos de pacientes y a Paul Hetherington por ayudar con la edición y la corrección al inglés del manuscrito.
Bibliografía (8)
- et al.
Digital imaging biomarkers feed machine learning for melanoma screening
Exp Dermatol.
(2017) - et al.
Deep-learning-based, computer-aided classifier developed with a small dataset of clinical images surpasses board-certified dermatologists in skin tumour diagnosis
Br J Dermatol.
(2018.) - et al.
Results of the 2016 International Skin Imaging Collaboration International Symposium on Biomedical Imaging challenge: Comparison of the accuracy of computer algorithms to dermatologists for the diagnosis of melanoma from dermoscopic images
J Am Acad Dermatol.
(2018) - et al.
The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions
Sci Data.
(2018)
Cited by (11)
A Narrative Review: Opportunities and Challenges in Artificial Intelligence Skin Image Analyses Using Total Body Photography
2024, Journal of Investigative DermatologySurvey on computer-aided automated melanoma detection
2024, Computer Methods in Biomechanics and Biomedical Engineering: Imaging and VisualizationMachine learning algorithm to predict response to immunotherapy in real-life settings for patients with advanced melanoma
2023, European Journal of DermatologyEarly Detection of Melanoma Using Convolutional Neural Network and Random Forest Algorithm
2023, 2023 9th International Conference on Advanced Computing and Communication Systems, ICACCS 2023