92
J. León and R. Cedeño,
“Application of Convolutional Neural Networks in the Automatic Detection of Cutaneous Melanoma”,
Latin-American Journal of Computing (LAJC), vol. 13, no. 1, 2026.
Application of
Convolutional Neural
Networks in the
Automatic Detection of
Cutaneous Melanoma
ARTICLE HISTORY
Received 15 May 2025
Accepted 19 August 2025
Published 6 January 2026
José Alberto León Alarcón
Universidad Técnica de Manabí
Instituto de Lenguas Modernas
Portoviejo, Ecuador
jose.leon@utm.edu.ec
ORCID: 0009-0004-6190-0990
Roly Steeven Cedeño Menéndez
Universidad Técnica de Manabí
Instituto de Lenguas Modernas
Portoviejo, Ecuador
roly.cedeno@utm.edu.ec
ORCID: 0009-0004-1571-9410
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2026
This work is licensed under a Creative Commons
Attribution-NonCommercial-ShareAlike 4.0 International License.
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2026 93
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XIII, Issue 1, January 2026
https://doi.org/10.33333/lajc.vol13n1.08
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XIII, Issue 1, January - June 2026
Aplicación de Redes Neuronales Convolucionales
en la Detección Automática de Melanoma Cutáneo
Application of Convolutional Neural Networks in
the Automatic Detection of Cutaneous Melanoma
José Alberto León Alarcón
Universidad Técnica de Manabí
Instituto de Lenguas Modernas
Portoviejo, Ecuador
jose.leon@utm.edu.ec
Roly Steeven Cedeño Menéndez
Universidad Técnica de Manabí
Instituto de Lenguas Modernas
Portoviejo, Ecuador
roly.cedeno@utm.edu.ec
Resumen— El diagnóstico temprano del melanoma es crucial
para mejorar la tasa de supervivencia, lo que ha impulsado el
desarrollo de modelos de aprendizaje profundo para su detección
automatizada. Esta investigación tiene como objetivo evaluar el
rendimiento de una red neuronal convolucional (CNN) en la
clasificación de imágenes dermoscópicas de lesiones en la piel,
comparando su precisión con la de expertos en dermatología. Para
lograr esto, se entrenó una CNN utilizando un conjunto de imágenes
que fueron preprocesadas para mejorar la capacidad de
generalización del modelo. La evaluación se llevó a cabo mediante
el uso de métricas de calidad como exactitud, precisión, sensibilidad
y F1-score. Además, se utilizó la curva ROC y la matriz de
confusión para analizar el equilibrio entre los falsos positivos y
falsos negativos en la clasificación. Los resultados mostraron que la
CNN superó el rendimiento de los dermatólogos en términos de
especificidad y sensibilidad, con un área bajo la curva (AUC)
cercana a 1, lo que indica una gran capacidad discriminativa. La
matriz de confusión reveló que la clasificación fue correcta en la
mayoría de los casos, minimizando los errores de tipo I y II. En
conclusión, la implementación de redes neuronales en el diagnóstico
de melanoma representa una herramienta prometedora para la
asistencia médica. No obstante, se identificaron oportunidades de
mejora, como el ajuste de umbrales de decisión y la optimización
del preprocesamiento de imágenes, lo que permitirá incrementar la
precisión del modelo en aplicaciones clínicas futuras.
Palabras Clave— Redes Neuronales Convolucionales (CNN),
Melanoma, Aprendizaje profundo, Preprocesamiento de
Imágenes, Diagnóstico Automatizad.
Abstract— Early diagnosis of melanoma is crucial for
improving survival rates, which has driven the development of deep
learning models for its automated detection. This research aims to
evaluate the performance of a convolutional neural network (CNN)
in classifying dermoscopic images of skin lesions, comparing its
accuracy with that of dermatology experts. To achieve this, a CNN
was trained using a set of images that were preprocessed to improve
the generalization ability of the model. The evaluation was carried
out by means of quality metrics such as accuracy, precision,
sensitivity, and F1-score. In addition, the ROC curve and confusion
matrix were used to analyze the balance between false positives and
false negatives in the classification. The results showed that the
CNN outperformed dermatologists in terms of specificity and
sensitivity, with an area under the curve (AUC) close to 1, indicating
high discriminatory power. The confusion matrix revealed that the
classification was correct in most cases, minimizing type I and type
II errors. In conclusion, the implementation of neural networks in
melanoma diagnosis represents a promising tool for medical care.
However, opportunities for improvement were identified, such as
adjusting decision thresholds and optimizing image preprocessing,
which will increase the accuracy of the model in future clinical
applications.
Keywords—Convolutional Neural Networks; Melanoma; Deep
Learning; Preprocessing images; Automatic diagnostic
I. INTRODUCCIÓN
El melanoma representa una de las variantes más
peligrosas del cáncer cutáneo, identificarlo en sus etapas
iniciales resulta fundamental para mejorar las probabilidades
de supervivencia de quienes lo padecen. Según la Sociedad
Americana Contra el Cáncer (ACS), el cáncer de piel destaca
como la forma de cáncer más común entre todas. Aunque el
melanoma constituye apenas el 1% de los diagnósticos de
cáncer cutáneo, es el principal causante de fallecimientos
relacionados con esta afección. Hasta el 2025, se estima que
habrá alrededor de 104,960 nuevos casos de melanoma en los
Estados Unidos (aproximadamente 60,550 en hombres y
44,410 en mujeres). Se prevé que cerca de 8,430 personas
(5,470 hombres y 2,960 mujeres) fallecerán debido a este tipo
de cáncer [1]
Actualmente, los dermatólogos utilizan métodos
tradicionales como la inspección visual y la dermatoscopia
para la evaluación de lesiones cutáneas. Sin embargo, estos
enfoques están fuertemente condicionados por el nivel de
experiencia del profesional y pueden verse afectados por
factores subjetivos. Además, en regiones con acceso limitado
a dermatólogos capacitados, la detección temprana se ve
comprometida, lo que aumenta el riesgo de diagnósticos
tardíos.
Por ello, en los últimos años, ha crecido el uso de diversas
técnicas de análisis automatizado de imágenes por ordenador
para mejorar la precisión y la reproducibilidad del diagnóstico
del melanoma en comparación con los resultados clínicos
obtenidos de imágenes dermatoscópicas. La inteligencia
artificial (IA) se está posicionando como una tecnología con
un enorme potencial en el campo de la medicina,
especialmente cuando se trata de interpretar imágenes
clínicas. Las CNN han revolucionado la detección de
enfermedades gracias a su habilidad para extraer
características clave y realizar clasificaciones con una
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2026 94
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XIII, Issue 1, January 2026
https://doi.org/10.33333/lajc.vol13n1.08
J. León and R. Cedeño,
“Application of Convolutional Neural Networks in the Automatic Detection of Cutaneous Melanoma”,
Latin-American Journal of Computing (LAJC), vol. 13, no. 1, 2026.
precisión impresionante. Estas arquitecturas han demostrado
un rendimiento que, en muchas ocasiones, es comparable e
incluso superior al de los especialistas humanos en diversas
tareas de diagnóstico por imágenes.
Un buen ejemplo de esto es la investigación de Kothapalli
et al. [2] que describe las CNN como estructuras propias del
aprendizaje profundo capaz de reconocer y extraer
características automáticamente a partir de grandes volúmenes
de datos de imágenes complejas. Esta investigación ha
demostrado que las CNN son muy eficaces para identificar y
clasificar lesiones cutáneas, incluido el melanoma. Al entrenar
las CNN con extensos conjuntos de datos de imágenes de
lesiones cutáneas, se pueden enseñar a distinguir las
características que separan las lesiones benignas de las
malignas.
Del mismo modo, Yalcinkaya & Erbas [3] optan por una
arquitectura diferente. En este artículo, se utiliza una
arquitectura de detección automática de melanomas que
combina un modelo de aprendizaje profundo CNN con un
enfoque basado en la lógica difusa. Este enfoque genera un
mapa de correlación difusa de los píxeles de la imagen que se
introduce en la red CNN. Al probarse en un extenso conjunto
de datos ISIC, el modelo demostró una alta precisión,
sensibilidad y especificidad en la clasificación en
comparación con clasificadores que utilizaban mapas de
correlación no difusos.
Este estudio presenta un enfoque fundamentado en CNN
para la detección de melanoma, utilizando imágenes
dermatológicas preprocesadas y optimización de
hiperparámetros para mejorar la precisión del modelo. Se
presenta un análisis detallado del conjunto de datos utilizado,
el procesamiento de los datos, la arquitectura de la red
implementada y la evaluación del desempeño del modelo
frente a metodologías previamente desarrolladas.
II. METODOLOGÍA
Para el desarrollo del presente estudio, la información
empleada fue extraída de la plataforma Kaggle, en concreto
del conjunto de datos denominado “Melanoma”, el cual está
disponible de forma pública en esta comunidad en línea
dirigida a científicos de datos [4]. Cabe destacar que, para este
estudio, se utilizó una muestra representativa del repositorio e
imágenes, seleccionada de manera aleatoria con el fin de
garantizar la diversidad y representatividad de los datos en
relación con el tema de estudio. La selección de esta porción
del conjunto de datos se fundamentó en criterios de relevancia
y en la disponibilidad de información adecuada para el
entrenamiento y validación del modelo propuesto. En la Fig.
1, se puede observar una muestra aleatoria de las imágenes
pertenecientes a las clases dentro del conjunto de datos.
Fig. 1. Scarlat A. (2020) Melanoma Dataset [Conjunto de datos].
Kaggle. https://www.kaggle.com/datasets/drscarlat/melanoma
Este conjunto de datos está estructurado en tres carpetas
principales: entrenamiento (train_sep), validación
(valid) y prueba (test). Cada una de estas carpetas se
subdivide a su vez en dos subcarpetas, las cuales corresponden
a las dos clases de diagnóstico: Melanoma
(Maligno) y NotMelanoma (Benigno). Esta organización se
encarga de clasificar las imágenes de manera clara según su
función en el ciclo de desarrollo del modelo. Así, se asegura
de que los datos de entrenamiento, validación y prueba estén
bien categorizados y listos para ser utilizados.
Además, esta estructura jerárquica facilita una gestión
eficiente de los datos. Cada subcarpeta alberga únicamente
imágenes de una clase específica, lo que hace que la carga y
el preprocesamiento de las imágenes sean mucho más
sencillos durante la implementación del modelo. La división
en tres conjuntos independientes (entrenamiento, validación y
prueba) es fundamental para garantizar que el modelo pueda
ser entrenado, ajustado y evaluado de manera rigurosa,
minimizando el riesgo de sobreajuste y asegurando una
generalización adecuada a nuevos datos. A continuación, en
la TABLA I se resume la distribución de imágenes en cada
conjunto:
TABLA I. CONJUNTO DE DATOS MELANOMA
Directorio
Melanoma
NotMelanoma
Total
Train_sep
1008
1008
2016
Test
336
336
672
Valid
336
336
672
Total
1680
1680
3360
En resumen, el conjunto de datos completo consta de 3360
imágenes, con una distribución equilibrada entre las
clases Melanoma y NotMelanoma en cada uno de los
conjuntos (entrenamiento, validación y prueba), lo que
garantiza un desarrollo y evaluación robustos del modelo. La
Fig. 2 permite una apreciación más detallada de esta
distribución.
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2026 95
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XIII, Issue 1, January 2026
https://doi.org/10.33333/lajc.vol13n1.08
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XIII, Issue 1, January - June 2026
Fig. 2. Distribución del conjunto de datos Melanoma
Tras examinar el dataset, se procedió a realizar el
procesamiento de datos. El procesamiento de datos representa
un paso clave en la adecuación de las imágenes para el
entrenamiento de algoritmos clasificatorios. Se aplicaron
diversas técnicas de preprocesamiento con la finalidad de
optimizar la nitidez de las imágenes y optimizar la extracción
de características relevantes.
Uno de los principales desafíos en el análisis de imágenes
dermatológicas es la presencia de vellos, los cuales pueden
ocultar detalles clave de la piel. Para abordar este problema,
se utilizó el algoritmo DullRazor, una herramienta creada
específicamente para eliminar el vello en imágenes médicas.
Este algoritmo se encarga de identificar y eliminar las áreas
con vello, reemplazándolas con información interpolada de
los píxeles vecinos. Este proceso no solo mejora la claridad de
las imágenes, sino que también facilita la identificación y
clasificación de características relacionadas con el melanoma,
lo que contribuye a una mayor precisión en el diagnóstico
asistido por computadora. [5]
Una vez implementado el algoritmo DullRazor, se puede
observar una diferencia notable entre la imagen original y la
imagen procesada por el algoritmo. En la sección izquierda
de la Fig. 3, se observa una lesión de la piel recubierta con
vellosidad, lo cual puede afectar el desempeño del algoritmo
al momento del entrenamiento. Sin embargo, en la sección
derecha de la Fig. 3, se puede notar que la misma lesión ya
no contiene vellosidad y se puede apreciar de una mejor
manera la lesión en la piel.
Fig. 3. Imagen procesada a partir de Scarlat A. (2020) Melanoma
Dataset [Conjunto de datos]. Kaggle.
https://www.kaggle.com/datasets/drscarlat/melanoma
Después de aplicar el algoritmo DullRazor, las imágenes
procesadas pasaron por una serie de transformaciones para
mejorar su calidad y hacer más fácil su visualización y
análisis. Primero, se redimensionaron a un tamaño uniforme
de 224x224 píxeles, que es un formato ideal para las
arquitecturas de redes neuronales convolucionales
preentrenadas, ya que requieren dimensiones específicas de
entrada. Este redimensionamiento garantiza que las imágenes
mantengan una relación de aspecto adecuada y que no se
pierdan las características espaciales importantes durante el
proceso.
Luego, se utilizó la técnica de mejora de nitidez llamada
"Unsharp Masking", que consiste en crear una versión
ligeramente desenfocada de la imagen original usando un
filtro Gaussiano [6]. Esta versión desenfocada se mezcla con
la imagen original para resaltar los bordes y detalles, lo que
mejora la claridad y el enfoque de las imágenes. Este paso es
crucial para destacar las características importantes que el
modelo necesita identificar durante el entrenamiento y la
clasificación.
Fig. 4. Lesión con aplicación de técnica Unsharp Masking a partir
de: Scarlat A. (2020) Melanoma Dataset [Conjunto de datos].
Kaggle. https://www.kaggle.com/datasets/drscarlat/melanoma
Por último, se realizó una normalización de las imágenes,
transformando los valores de píxeles del rango [0, 255] al
rango [0, 1]. Esta normalización es una práctica común en
redes neuronales, ya que mejora la consistencia en el
procesamiento de datos, mejora la eficiencia del modelo y
refuerza su estabilidad tanto en la fase de entrenamiento como
en la de evaluación.
A continuación, se detalla el proceso de construcción del
algoritmo de red neuronal convolucional (CNN) utilizado en
este estudio. Para ello, el modelo fue construido mediante la
clase Sequential de Keras, proporcionando funciones de
entrenamiento para el modelo [7]. A diferencia de redes
neuronales preentrenadas que están optimizadas para
conjuntos de datos específicos y suelen ser grandes (lo que
aumenta el número de parámetros y el consumo de memoria),
se optó por desarrollar una CNN personalizada. Esta decisión
facilitó la adaptación de la arquitectura a las necesidades del
estudio, como el tamaño de las imágenes (224x224x3, donde
3 corresponde a los canales de color) y el tipo de
características que se buscaba capturar.
La CNN implementada consta de varias capas
convolucionales que cuentan con 8, 16 y 32 filtros, los cuales
son clave para la extracción de características. [8]. Se incluyó
una capa de normalización por lotes (Batch Normalization)
con el objetivo de regular las activaciones internas del modelo
y agilizar el proceso de entrenamiento [9]. Además, se
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2026 96
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XIII, Issue 1, January 2026
https://doi.org/10.33333/lajc.vol13n1.08
J. León and R. Cedeño,
“Application of Convolutional Neural Networks in the Automatic Detection of Cutaneous Melanoma”,
Latin-American Journal of Computing (LAJC), vol. 13, no. 1, 2026.
complementó la función de activación ReLU (Rectified
Linear Unit) con el propósito de incorporar no linealidad al
modelo, facilitando así el aprendizaje de patrones complejos
en los datos [10]. Para reducir la dimensionalidad espacial de
las salidas, se aplicó Max Pooling con un tamaño de 2x2
y strides de 2, una técnica de muestreo descendente que
simplifica los cálculos y reduce el tamaño de los parámetros
[11].
Luego de esto, la salida es enviada a una capa Flatten,
utilizada para aplanar la salida de la capa anterior sin afectar
al lote [12]. La red también incluye una capa Dense
completamente conectada con 15 neuronas en una capa oculta,
que combina las características aprendidas en las capas
anteriores [13]. En la capa de salida, se implementaron 2
neuronas (una por cada clase en la clasificación binaria) junto
con la función de activación Softmax, encargada de generar
una distribución probabilística que facilita la asignación de
clases, facilitando la clasificación binaria [14]. Toda esta
arquitectura se presenta en la Fig. 5. Por último, se añadió el
optimizador Adam para minimizar el error durante el
entrenamiento [15]. Este optimizador según Kingma et al. Se
trata de un algoritmo de optimización que emplea gradientes
de primer orden para funciones objetivo de naturaleza
estocástica, utilizando estimaciones adaptativas de momentos
de bajo orden para ajustar dinámicamente el proceso de
aprendizaje [16].
Fig. 5. Arquitectura de Red Neuronal
Para asegurar un óptimo entrenamiento, se configuraron
dos callbacks: EarlyStopping, el cual detiene el entrenamiento
cuando una métrica supervisada haya dejado de mejorar [17]
y ReduceLROnPlateau, que disminuye la tasa de aprendizaje
cuando una métrica haya dejado de mejorar [18]. Estos tienen
como propósito mejorar el rendimiento de la red neuronal.
En la TABLA II, se presentan los parámetros utilizados en
el callback EarlyStopping. Este ayuda a prevenir el
sobreajuste y ahorra tiempos y recursos al detener el
entrenamiento cuando el rendimiento del algoritmo deja de
mejorar.
TABLA II. ARGUMENTOS DE EARLYSTOPPING
Argumento
Valor
Función
Monitor
val_loss
Métrica para
monitorear
Patience
5
Épocas sin
progreso.
Restore_best_weights
True
Restablece los
pesos del modelo
En la TABLA III, se muestra los parámetros utilizados por
ReduceLROnPlateau. Este ayuda a ajustar de manera
dinámica la tasa de aprendizaje permitiendo que el modelo
converja de mejor manera cuando el progreso sea detenido.
TABLA III. ARGUMENTOS DE REDUCELRONPLATEAU
Argumento
Valor
Función
Monitor
val_loss
Métrica para
monitorear
Factor
0.1
Disminuye la
velocidad de
aprendizaje
(nueva_lr = lr *
factor)
Patience
2
Número de épocas
sin mejoras
Min_lr
0.0001
Tasa de aprendizaje
mínima
Asimismo, en la Tabla IV se exhiben los hiperparámetros
manejados para entrenar la red neuronal, incluyendo detalles
sobre las configuraciones específicas empleadas en el proceso
de aprendizaje, tales como la tasa de aprendizaje, el número
de épocas, el tamaño del lote y otros parámetros relevantes que
influenciaron el desempeño del modelo.
TABLA IV. HIPERPARÁMETROS DE LA RED NEURONAL
Parámetros
Valores
Tamaño de la muestra
2016 (1008 malignas y 1008
benignas)
Épocas
40
Épocas recorridas
21
Tasa de aprendizaje
0.01
Callbacks
EarlyStopping,
ReduceLROnPlateau
Tamaño de lote
24
El proceso de entrenamiento se realizó en la plataforma
Google Colab Pro, aprovechando sus capacidades avanzadas
en términos de recursos computacionales. Esta plataforma
proporciona acceso a aceleradores de hardware, como las
unidades de procesamiento tensorial (TPU). Se trata de
circuitos integrados personalizados, diseñados especialmente
para optimizar y acelerar el proceso de entrenamiento de
modelos de aprendizaje profundo. [19].
Para el desarrollo del proyecto, se optó por utilizar Python
como lenguaje de programación, ya que cuenta con una gran
cantidad de bibliotecas y herramientas enfocadas en Deep
Learning. Python destaca por su sintaxis intuitiva y su
capacidad para implementar algoritmos de aprendizaje
profundo de manera eficiente. En particular, se utilizaron las
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2026 97
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XIII, Issue 1, January 2026
https://doi.org/10.33333/lajc.vol13n1.08
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XIII, Issue 1, January - June 2026
bibliotecas TensorFlow y Keras para la construcción,
entrenamiento y evaluación del modelo.
III. RESULTADOS
Esta sección expone los resultados derivados del proceso
de entrenamiento y validación de la CNN. Para medir el
desempeño del modelo, se utilizaron métricas de calidad
ampliamente empleadas en el área del aprendizaje profundo y
la detección de enfermedades, como la exactitud, precisión,
sensibilidad y el puntaje F1.
Se llevó a cabo un análisis de los resultados mediante la
curva ROC (Característica Operativa del Receptor) y su área
bajo la curva (AUC-ROC). Esto facilita la evaluación del
rendimiento del modelo en la diferenciación entre imágenes
de melanomas malignos y benignos. Finalmente, se muestra
la matriz de confusión, la cual nos da una perspectiva detallada
sobre los aciertos y errores del modelo, lo que facilita la
interpretación de su rendimiento en cuanto a clasificación.
Como se mencionó previamente, se utilizó la curva ROC
para evaluar el desempeño del modelo de red neuronal. El
resultado fue un impresionante 0.9955 en el valor AUC-ROC,
lo que indica una predicción muy precisa. Esta colección de
datos de prueba sugiere que el modelo tiene un rendimiento
superior en la tarea de clasificación binaria. Un valor cercano
a 1 significa que el modelo distingue eficazmente entre las
clases positivas y negativas, lo cual muestra una alta
sensibilidad y una baja tasa de falsos positivos. En la práctica,
un AUC-ROC de 0.99 significa que el modelo tiene un 99%
de probabilidad de clasificar correctamente un ejemplo
positivo frente a uno negativo al azar; es decir, identifica con
claridad de lesiones que pertenecen al melanoma y de lesiones
que no pertenecen al melanoma. Por lo tanto, la Fig. 6 muestra
el área bajo la curva ROC donde ilustra de forma gráfica el
rendimiento del modelo en la predicción.
Fig. 6. Curva ROC
En la Fig. 7, se muestra la matriz de confusión, un
instrumento primordial para valorar la calidad de la
clasificación. Esta permite observar la cantidad de aciertos y
errores cometidos por el modelo, distinguiendo entre los
aciertos y los errores cometidos al momento de la
clasificación.
En particular, la matriz de confusión presenta la
distribución de los verdaderos positivos (VP) y verdaderos
negativos (VN); es decir, los casos donde el modelo identificó
correctamente las lesiones malignas y benignas,
respectivamente. Asimismo, permite identificar los errores de
tipo I (falsos positivos, FP), que ocurren cuando una lesión
benigna es clasificada erróneamente como maligna, y los
errores de tipo II (falsos negativos, FN), en los que una lesión
maligna es incorrectamente clasificada como benigna.
El análisis de esta matriz resulta clave para evaluar el
impacto de los errores en un contexto clínico, dado que un
falso negativo podría retrasar el diagnóstico de un melanoma,
mientras que un falso positivo podría generar alarmas
innecesarias y procedimientos médicos adicionales.
Fig. 7. Matriz de confusión
En la matriz de confusión (Fig. 7), el cuadrante superior
izquierdo representa la cantidad de verdaderos positivos (VP);
en otras palabras, aquellos casos en los que el modelo clasificó
correctamente una lesión como melanoma, sumando un total
de 333 muestras. De manera similar, el cuadrante inferior
derecho refleja los verdaderos negativos (VN), indicando que
326 casos fueron identificados correctamente como lesiones
benignas. Esta distribución evidencia que los valores más altos
se concentran en la diagonal principal, lo que sugiere un alto
nivel de precisión en la clasificación tanto de melanomas
malignos como benignos.
Por otro lado, los errores de tipo I, representados por los
falsos positivos (FP), corresponden a aquellas muestras en las
que el algoritmo clasificó incorrectamente una lesión benigna
como melanoma. En este caso, se identificaron 3 instancias en
las que el modelo generó una alerta errónea de la enfermedad.
Asimismo, los errores de tipo II, que corresponden a los falsos
negativos (FN), ocurrieron en 10 muestras en las que el
modelo no logró detectar correctamente el melanoma, y
clasificó erróneamente una lesión maligna como benigna.
Estos errores tienen un impacto clínico significativo, ya que
un falso negativo podría retrasar el diagnóstico y tratamiento
oportuno del paciente.
Por último, en base a las predicciones realizadas por el
algoritmo y los valores resultantes de la matriz de confusión
se obtuvieron diferentes métricas que evalúan el rendimiento
de la arquitectura. En la Tabla V, se presentan los valores
obtenidos al realizar las predicciones en función del conjunto
de datos de testeo.
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2026 98
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XIII, Issue 1, January 2026
https://doi.org/10.33333/lajc.vol13n1.08
J. León and R. Cedeño,
“Application of Convolutional Neural Networks in the Automatic Detection of Cutaneous Melanoma”,
Latin-American Journal of Computing (LAJC), vol. 13, no. 1, 2026.
TABLA V. MÉTRICAS DE EVALUACIÓN
Métrica
Valor
Exactitud
98.07%
Precisión
98.09%
Sensibilidad
98.07%
Puntaje F1
98.07%
AUC
99.55%
En general, los resultados obtenidos reflejan un
desempeño sobresaliente del modelo. La elevada precisión,
sensibilidad, puntuación F1 y una curva AUC cercana a 1
indican que el modelo no solo es eficaz en la clasificación
global, sino que también demuestra solidez en la
identificación de casos positivos y en la reducción de errores.
Este rendimiento sugiere que el modelo está bien ajustado y
es altamente eficiente para la tarea específica de clasificación
para la que fue entrenado. Sin embargo, a pesar de los
resultados alentadores, todavía hay oportunidades de mejora
en la capacidad predictiva y en la evaluación del modelo.
Como parte de las limitaciones de este estudio, se aconseja
implementar estrategias que optimicen su rendimiento, como
ajustar los umbrales de decisión para lograr un mejor
equilibrio entre las métricas, aplicar técnicas de data
augmentation que enriquezcan la diversidad del conjunto de
entrenamiento, y explorar otras metodologías que podrían
ayudar a mejorar la capacidad del algoritmo, permitiendo así
una clasificación más precisa y confiable.
IV. DISCUSIÓN
El presente estudio ha demostrado que el modelo apoyado
en redes neuronales profundas es altamente eficiente para la
clasificación de imágenes dermatológicas, lo que permite la
detección precisa del melanoma. La evaluación del modelo a
través de métricas de desempeño como exactitud, precisión,
sensibilidad (recall), especificidad y F1-score, junto con un
área bajo la curva ROC (AUC) indica que la arquitectura
implementada logra una capacidad discriminativa robusta
entre lesiones malignas y benignas.
Los hallazgos obtenidos guardan coherencia con
investigaciones anteriores que han utilizado enfoques de
aprendizaje profundo para la identificación de melanoma,
donde modelos basados en redes convolucionales han
mostrado desempeños comparables a los de especialistas en
dermatología. Por ejemplo, en la investigación de Maron et al
[20], se desarrolló y entrenó una CNN empleando un total de
11,444 imágenes dermoscópicas, y se evaluó posteriormente
su desempeño en un grupo de prueba conformado por 6,390
imágenes con verificación histopatológica. En este estudio, se
evidenció que la CNN alcanzó una especificidad del 91.3% en
la clasificación binaria de lesiones benignas y malignas, lo
cual superó significativamente la especificidad alcanzada por
los dermatólogos, correspondiente al 59.8%. Asimismo, la
sensibilidad obtenida por la CNN fue similar a la de los
especialistas, mientras que sus valores de especificidad y
sensibilidad fueron superiores en las pruebas comparativas.
En términos comparables, en la investigación realizada por
Haenssle et al. [21], se aborda una comparación similar. Se
utilizó una red neuronal convolucional (CNN) aprobada para
el mercado europeo como dispositivo médico (Moleanalyzer
Pro, FotoFinder Systems) para clasificar imágenes
dermoscópicas de lesiones cutáneas. La precisión de la CNN
se comparó con la de 96 dermatólogos, quienes evaluaron las
mismas imágenes bajo condiciones menos artificiales,
incluyendo imágenes clínicas y dermoscópicas, junto con
información textual del caso. Los resultados mostraron que la
CNN logró una sensibilidad del 95.0% y una especificidad del
76.7%, con un área bajo la curva (AUC) de 0.918. En
comparación, los 96 dermatólogos alcanzaron una
sensibilidad del 89.0% y una especificidad del 80.7 en su
primera evaluación (nivel I), que mejoró significativamente al
94.1% con información adicional (nivel II), mientras que la
especificidad se mantuvo prácticamente igual en 80.4%.
Por lo tanto, en la presente investigación el análisis
detallado de la matriz de confusión revela la presencia de
errores de tipo I (falsos positivos), en los que el modelo
clasifica erróneamente lesiones benignas como malignas, y
errores de tipo II (falsos negativos), donde casos de melanoma
no son correctamente identificados. La existencia de estos
errores puede traer consigo implicaciones clínicas
significativas. Un falso positivo podría llevar a realizar
procedimientos invasivos innecesarios, mientras que un falso
negativo podría retrasar un diagnóstico oportuno y, por lo
tanto, el tratamiento del paciente.
Uno de los principales desafíos que se ha identificado en
este estudio es la posible existencia de sesgos en los datos de
entrenamiento. La variabilidad en la calidad de las imágenes,
el desequilibrio en la distribución de clases y la variedad en
los tipos de lesiones pueden afectar la capacidad del modelo
para generalizar en entornos clínicos reales. Es crucial que en
futuras investigaciones se aborden estos aspectos, integrando
conjuntos de datos más amplios y diversos que incluyan
imágenes de diferentes fuentes y poblaciones.
Con el fin de mejorar la robustez del modelo y reducir los
errores de clasificación, se recomienda considerar estrategias
como la optimización de los umbrales de decisión, la
aplicación de técnicas de aumento de datos para diversificar el
conjunto de entrenamiento, y la implementación de enfoques
de aprendizaje por transferencia, mediante el uso de
arquitecturas preentrenadas en grandes conjuntos de datos
médicos. Además, combinar técnicas de interpretación de
modelos, como Grad-CAM, podría ofrecer una mejor
comprensión de las áreas de interés que la red neuronal ha
señalado, lo que facilitaría la validación por parte de expertos
clínicos.
Esto se ve reflejado en la investigación dada por Salma y
Eltrass [22] donde se propone un método basado en filtrado
morfológico para la eliminación de vello en imágenes
dermatológicas, compuesto por dos fases principales.
Primero, se convierte la imagen a escala de grises mediante
una transformación ponderada del espacio de color RGB.
Luego, el contorno del vello se detecta mediante la
transformación morfológica de sombrero negro.
Posteriormente, se emplea el Método de Marcha Rápida
(FMM) para aplicar una función de inpainting y generar una
máscara, donde los píxeles por debajo de un umbral se asignan
a 0 y el resto a 1. Tras el preprocesamiento, se implementa una
estrategia de aumento de datos mediante rotaciones de 0°, 90°,
180° y 270°, generando cuatro nuevas imágenes por cada
original. Este procedimiento permite expandir el conjunto de
datos y mitigar la escasez de imágenes etiquetadas.
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2026 99
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XIII, Issue 1, January 2026
https://doi.org/10.33333/lajc.vol13n1.08
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XIII, Issue 1, January - June 2026
Otra línea de mejora es la integración de metodologías
híbridos que integren algoritmos de aprendizaje profundo con
técnicas tradicionales de procesamiento de imágenes y
métodos basados en reglas clínicas, lo que podría mejorar la
interpretabilidad del sistema y aumentar su confiabilidad en la
práctica médica. Además, la implementación de técnicas de
calibración probabilística puede contribuir a disminuir la
inseguridad en la toma de decisiones, y proporcionar
predicciones más confiables para los especialistas en
dermatología.
Siendo así, los hallazgos de este estudio refuerzan el
potencial del aprendizaje profundo en la detección temprana
del melanoma, mostrando métricas de rendimiento
comparables con métodos convencionales de diagnóstico. No
obstante, la presencia de errores en la clasificación y las
limitaciones asociadas a la calidad y diversidad de los datos
sugieren la necesidad de futuras optimizaciones para
garantizar su aplicabilidad en contextos clínicos reales. La
integración de técnicas avanzadas de preprocesamiento, ajuste
de hiperparámetros y validación en cohortes independientes
permitirá fortalecer la eficacia del modelo, y facilitar su
adopción como herramienta de apoyo en el diagnóstico
dermatológico.
V. CONCLUSIONES
El presente estudio ha evaluado la capacidad de un
algoritmo de redes neuronales del tipo convolucional para la
detección y clasificación de lesiones cutáneas, y se obtuvieron
resultados altamente satisfactorios en términos de exactitud,
precisión, sensibilidad y puntaje F1.
El análisis de la matriz de confusión y las métricas de
calidad revelan que el modelo logra un equilibrio adecuado
entre la identificación de casos positivos y negativos, con una
tasa de falsos positivos y falsos negativos relativamente baja.
De esta manera, la adopción del valor del área bajo la curva
ROC (AUC) como indicador de rendimiento respalda la
capacidad del modelo para distinguir eficazmente entre
lesiones benignas y malignas.
A pesar de los resultados obtenidos, se identifican
oportunidades de optimización. La implementación de
técnicas de preprocesamiento, como la eliminación de
artefactos en las imágenes y el uso de aumento de datos, ha
contribuido significativamente a la mejora del modelo. No
obstante, futuros trabajos podrían explorar la integración de
técnicas más avanzadas de segmentación de imágenes, ajustes
en los umbrales de decisión y enfoques de aprendizaje activo
para mejorar la robustez del modelo en distintos conjuntos de
datos.
Aunque los hallazgos de este estudio son prometedores, la
adopción del modelo en entornos clínicos requiere
validaciones adicionales. Es primordial evaluar su desempeño
en escenarios del mundo real, considerando la variabilidad en
la calidad de las imágenes y la diversidad de poblaciones de
pacientes. La colaboración con especialistas en dermatología
será clave para garantizar que el modelo no solo sea preciso,
sino también interpretable y útil en la práctica médica.
REFERENCIAS
[1] Sociedad Americana Contra el Cáncer, “Estadísticas
importantes sobre el cáncer de piel tipo melanoma,”
Estadísticas importantes sobre el cáncer de piel tipo
melanoma. Accessed: Feb. 07, 2025. [Online].
Available:
https://www.cancer.org/es/cancer/tipos/cancer-de-
piel-tipo-melanoma/acerca/estadisticas-clave.html
[2] S. P. Kothapalli, P. S. H. Priya, V. S. Reddy, B.
Lahya, and P. Ragam, “Melanoma Skin Cancer
Detection using SVM and CNN,” EAI Endorsed
Trans Pervasive Health Technol, vol. 9, no. 1, May
2023, doi: 10.4108/eetpht.9.4340.
[3] F. Yalcinkaya and A. Erbas, “Convolutional neural
network and fuzzy logic-based hybrid melanoma
diagnosis system,” Elektronika ir Elektrotechnika,
vol. 27, no. 2, pp. 69–77, 2021, doi:
10.5755/j02.eie.28843.
[4] Alexander Scarlat MD, “Dataset Melanoma,”
Kaggle. Accessed: Feb. 20, 2025. [Online].
Available:
https://www.kaggle.com/datasets/drscarlat/melanom
a
[5] T. Lee, V. Ng, R. Gallagher, A. Coldman, and D.
McLean, “Dullrazor®: A software approach to hair
removal from images,” Comput Biol Med, vol. 27,
no. 6, pp. 533–543, 1997, doi:
https://doi.org/10.1016/S0010-4825(97)00020-6.
[6] C. H. Chen, “Adaptive Image Filtering,” Proceedings
- IEEE Computer Society Conference on Pattern
Recognition and Image Processing, pp. 19–31, Jan.
2000, doi: 10.1016/B978-012077790-7/50005-9.
[7] Keras, “The Sequential class.” Accessed: Feb. 20,
2025. [Online]. Available:
https://keras.io/api/models/sequential/
[8] Keras, “Conv2D layer.” Accessed: Feb. 20, 2025.
[Online]. Available:
https://keras.io/api/layers/convolution_layers/convol
ution2d/
[9] Keras, “BatchNormalization layer.” Accessed: Feb.
20, 2025. [Online]. Available:
https://keras.io/api/layers/normalization_layers/batc
h_normalization/
[10] Keras, “Layer activation functions - ReLU .”
Accessed: Feb. 20, 2025. [Online]. Available:
https://keras.io/api/layers/activations/#relu-function
[11] Keras, “MaxPooling2D layer.” Accessed: Feb. 20,
2025. [Online]. Available:
https://keras.io/api/layers/pooling_layers/max_pooli
ng2d/
[12] Keras, “Flatten layer.” Accessed: Feb. 20, 2025.
[Online]. Available:
https://keras.io/api/layers/reshaping_layers/flatten/
[13] Keras, “Dense layer.” Accessed: Feb. 20, 2025.
[Online]. Available:
https://keras.io/api/layers/core_layers/dense/
[14] Keras, “Layer activation functions | Softmax.”
Accessed: Feb. 20, 2025. [Online]. Available:
https://keras.io/api/layers/activations/#softmax-
function
[15] Keras, “Adam.” Accessed: May 13, 2025. [Online].
Available: https://keras.io/api/optimizers/adam/
[16] D. P. Kingma and J. Ba, “Adam: A Method for
Stochastic Optimization,” Dec. 2014, [Online].
Available: http://arxiv.org/abs/1412.6980
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2026 100
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XIII, Issue 1, January 2026
https://doi.org/10.33333/lajc.vol13n1.08
J. León and R. Cedeño,
“Application of Convolutional Neural Networks in the Automatic Detection of Cutaneous Melanoma”,
Latin-American Journal of Computing (LAJC), vol. 13, no. 1, 2026.
[17] Keras, “EarlyStopping.” Accessed: Feb. 20, 2025.
[Online]. Available:
https://keras.io/api/callbacks/early_stopping/
[18] Keras, “ReduceLROnPlateau.” Accessed: Feb. 20,
2025. [Online]. Available:
https://keras.io/api/callbacks/reduce_lr_on_plateau/
[19] Google Cloud, “Introducción a Cloud TPU.”
Accessed: Feb. 20, 2025. [Online]. Available:
https://cloud.google.com/tpu/docs/intro-to-
tpu?hl=es-419
[20] R. C. Maron et al., “Systematic outperformance of
112 dermatologists in multiclass skin cancer image
classification by convolutional neural networks,” Eur
J Cancer, vol. 119, pp. 57–65, Sep. 2019, doi:
10.1016/j.ejca.2019.06.013.
[21] H. A. Haenssle et al., “Man against machine
reloaded: performance of a market-approved
convolutional neural network in classifying a broad
spectrum of skin lesions in comparison with 96
dermatologists working under less artificial
conditions,” Annals of Oncology, vol. 31, no. 1, pp.
137–143, Jan. 2020, doi:
10.1016/j.annonc.2019.10.013.
[22] W. Salma and A. S. Eltrass, “Automated deep
learning approach for classification of malignant
melanoma and benign skin lesions,” Multimed Tools
Appl, vol. 81, no. 22, pp. 32643–32660, Sep. 2022,
doi: 10.1007/s11042-022-13081-x.
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2026
101
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XIII, Issue 1, January 2026
AUTHORS
José León Alarcón es un profesional especializado en Ciencia de
Datos, posee un máster en Sistemas de Información con mención en
Data Science por la Pontificia Universidad Católica del Ecuador (PUCE
Quito). Su formación académica se complementa con una sólida
experiencia en el ámbito de la inteligencia artificial, especialmente
en el aprendizaje automático (machine learning) y el aprendizaje
profundo (deep learning). A lo largo de su trayectoria profesional,
se ha enfocado en el análisis de imágenes médicas, contribuyendo
al desarrollo de modelos capaces de apoyar el diagnóstico clínico
mediante técnicas avanzadas de procesamiento de imágenes.
Además, ha trabajado en la extracción y análisis de información
a partir de datos complejos, aplicando metodologías estadísticas
y herramientas computacionales modernas. Sus áreas de interés
incluyen la inteligencia artificial, el análisis predictivo y el desarrollo
de soluciones innovadoras que permitan transformar grandes
volúmenes de datos en conocimiento útil para la toma de decisiones.
Se caracteriza por su compromiso con la investigación aplicada y el
desarrollo tecnológico orientado a resolver problemas reales.
Ingeniero en Sistemas de Información por la Universidad Técnica
de Manabí y Magíster en Sistemas de Información con mención en
Data Science por la Pontificia Universidad Católica del Ecuador. Su
formación académica y experiencia profesional se enfocan en el
análisis de datos, el aprendizaje automático y la aplicación de técnicas
avanzadas para la extracción de conocimiento a partir de grandes
volúmenes de información. Actualmente se desempeña como técnico
docente en la Universidad Técnica de Manabí y cuenta con un año de
experiencia adicional como docente en modalidad online.
Ha participado en proyectos de investigación vinculados a la ciencia
de datos, destacando su trabajo de tesis de posgrado titulado “Análisis
de sentimientos utilizando la red social X (Twitter) para medir el
nivel de aceptación del nuevo presidente del Ecuador, Daniel Noboa
(noviembre 2023 - abril 2024)”. También cuenta con dos artículos
académicos publicados. Sus áreas de interés incluyen la inteligencia
artificial, la minería de datos y el desarrollo de soluciones basadas
en ciencia de datos. Sus objetivos profesionales actuales se centran
en mejorar continuamente como docente y consolidarse como
investigador en el área, contribuyendo con nuevas publicaciones
científicas.
José Alberto León Alarcón
Roly Steeven Cedeño Menéndez
J. León and R. Cedeño,
“Application of Convolutional Neural Networks in the Automatic Detection of Cutaneous Melanoma”,
Latin-American Journal of Computing (LAJC), vol. 13, no. 1, 2026.
