Aplicación de Redes Neuronales Convolucionales en la Detección Automática de Melanoma Cutáneo

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.