Inteligencia Artificial en el Cáncer de Piel

Resumen

Propósito Revisar los últimos avances en inteligencia artificial para el diagnóstico del cáncer de
piel.

Hallazgos recientes Los grandes avances en los últimos años están probablemente
relacionados con los avances en la utilización de redes neurales convolucionales (CNNs) para el
análisis de imágenes dermatológicas, especialmente la dermatoscopia. Estudios recientes han
demostrado que los enfoques basados en la CNN

funcionan tan bien o incluso mejor que los evaluadores humanos en el diagnóstico de
imágenes dermatoscópicas de lesiones de la piel en un

entorno estático simulado. Varias limitaciones para el desarrollo de la IA incluyen la necesidad

de grandes conductos de datos y la necesidad de

diagnósticos de la verdad, falta de metadatos y falta de normas rigurosas y ampliamente

aceptadas.

Resumen A pesar de los recientes avances, la adopción del sexo anal en entornos clínicos para
la dermatología se encuentra en sus primeras etapas. Estrecha colaboración

entre investigadores y médicos puede brindar la oportunidad de investigar la implementación

de la IA en entornos clínicos para proporcionar

beneficio real tanto para los pacientes

Introducción

Diagnóstico del cáncer de piel

Con más de 5 millones de nuevos casos de malignidades cutáneas reportados cada año[1],
métodos automatizados para diagnosticar el cáncer de piel es un área enorme de necesidad
clínica y esfuerzo de investigación.

En el pasado, el diagnóstico de cáncer de piel se basaba en un diagnóstico clínico de por un

dermatólogo. En los últimos años, la dermatoscopia ha ganado popularidad y en la actualidad
es utilizado por el 81% de los países de la UE.

Dermatólogos de los Estados Unidos. La tasa es aún más alta entre los jóvenes matólogos al
98%[2]. El valor añadido de la dermatoscopia sobreel examen a simple vista se demostró en
varios metaanálisis.

Para el diagnóstico del melanoma, la dermatoscopia ha aumentado la precisión diagnóstica del

examen a simple vista con un odds ratio diagnóstico relativo de 4,7-5,6[3]. Para la célula basal
carcinoma (CBC), la sensibilidad aumentó del 67 al 85% y el especificidad del 97 al 98%[4]. Sin
embargo, la dermatoscopia es una y requiere formación y experiencia.

Tecnologías más nuevas, como la microscopía confocal por reflectancia

(RCM) y la tomografía de coherencia óptica (OCT), son

se utilizan como pruebas complementarias para complementar la dermatoscopia en ciertos
casos. centros especializados y puede aumentar aún más la precisión de los diagnósticos

[5, 6]. Sin embargo, estas pruebas aún no se han implementado ampliamente,

principalmente debido a los altos costos y a la necesidad deentrenamiento.

Inteligencia Artificial

La inteligencia artificial (IA) es la noción de desarrollo de la inteligencia

máquinas que pueden llevar a cabo automáticamente una tarea. Esta idea data hasta la
década de 1930. El primer artículo de referencia sobre las máquinas que "piensan" fue
publicado en 1950 por Allan Turing, quien también sugirió que una máquina que supera la
"prueba de Turing", es decir, que puede mantener una conversación de manera indistinguible
de la de un humano, puede ser considerada "pensamiento"[7].

El aprendizaje automático (ML) es un subcampo de la IA que estudia cómo los ordenadores

pueden aprender tareas sin estar programados explícitamente para realizarlas[8]. ML es
modelar matemáticamente la relación entre los datos (por ejemplo, imágenes de
dermatoscopia) y la tarea (por ejemplo, diagnóstico) mientras se optimiza una penalización
dada.

(por ejemplo, exactitud del diagnóstico). Entre varios métodos disponibles

en la literatura, las redes neurales profundas han ganado popularidad

en los últimos años debido a su alta representación y

poder de clasificación. Las redes neuronales como técnica de ML

fue propuesto por primera vez en la década de 1940, pero no fue hasta los primeros años

2010, cuando la idea comenzó a ser implementada regularmente

entre la comunidad de aprendizaje de la máquina, siguiendo el modelo seminal

obra de Krizhevsky[9]. Las principales razones fueron: (i) los problemas neurales

los modelos de red con altas capacidades de reconocimiento son difíciles de

debido a su complejidad computacional y (ii) lo hacen.

no se desempeñan bien (sobredimensionar los ejemplos de entrenamiento memorizando

en la falta de un gran conjunto de datos de formación[10].

Avances en el hardware de computación (por ejemplo, procesamiento gráfico)

(GPU), unidades de procesamiento tensor (TPU)), cálculo paralelo

y la disponibilidad de una gran cantidad de datos digitales

permitió a los investigadores entrenar redes neuronales que pueden modelar

relaciones complejas entre los datos y las tareas de formación dados. En

En particular, el análisis diagnóstico de las imágenes médicas proporciona un

increíble oportunidad para que el aprendizaje automático tenga un impacto clínico

cuidado. En los últimos años, se ha producido un incremento increíble de

investigación dirigida al análisis automatizado de datos clínicos y

imágenes dermatoscópicas con el fin de diagnosticar cánceres de piel,

particularmente el melanoma.

La dermatoscopia permite obtener imágenes de la superficie y el subsuelo de la piel

estructuras morfológicas de las lesiones. Demuestra un control

para la obtención de imágenes de lesiones cutáneas con

características predefinidas de las condiciones de iluminación, distancia de la cámara,

ángulo, etc. Al tener un entorno de imágenes tan controlado, es posible

proporciona conjuntos de datos razonablemente "limpios" para el desarrollo de la IA.

La consistencia de la dermatoscopia combinada con su

de uso común en las clínicas dermatológicas ha hecho que sea el óptimo

campo de entrenamiento para la investigación de problemas dermatológicos por parte de la

IA.

En las etapas iniciales de la LM, la investigación para el diagnóstico de lesiones cutáneas

se centró principalmente en el flujo de trabajo clásico de las máquinas

aprendizaje: preprocesamiento, segmentación basada en colores o texturas

(marcando los bordes de la lesión), extracción de la característica, y

clasificación[11, 12]. En este contexto, los algoritmos ML fueron

entrenado para diagnosticar lesiones cutáneas usando características que son de modelado

los criterios generados por el ser humano (como los 7 puntos

lista de control).

El primer informe de la aplicación del LD en el diagnóstico de

imágenes dermatoscópicas de nevos y melanoma fue por Binder

et al. en 1994. Los autores usaron redes neuronales artificiales

y reportó una precisión diagnóstica similar comparada con la de los humanos.

investigadores[13]. Sin embargo, en las próximas dos décadas,

El progreso en este campo fue lento. Esto se debió probablemente a la falta de

sistemáticamente grandes conjuntos de datos de imágenes que representan la

una cohorte general, así como una limitada capacidad de cálculo y algorítmica.
capacidades para digerir y analizar los datos disponibles.

Avances recientes en el campo de la IA y la piel

Cáncer

En los últimos años, la evolución de la capacidad de la

formación de modelos de redes neuronales con tamaños más grandes y más altos

El poder de representación permitió un progreso significativo.

En particular, un tipo especializado de redes neuronales llamado

las redes neuronales convolucionales (CNNs) han mostrado un gran éxito

en aplicaciones de análisis y reconocimiento de imágenes, incluyendo

análisis dermatoscópico de imágenes. Las CNNs son una pila de filtros que operan

en regiones locales de interés (por ejemplo, los filtros calculan la relación

entre un grupo de píxeles dentro de un barrio determinado)

a la vez. Están especializados en aprender la relación

entre la entrada (por ejemplo, imagen) y la tarea de clasificación

(por ejemplo, el diagnóstico) mediante el análisis de las relaciones locales entre un

cierto vecindario de muestras (por ejemplo, píxeles). Como ya se ha mencionado

antes, la extracción de características es una parte integral de la máquina

el proceso de aprendizaje y las CNNs ya no requieren un proceso separado.

fase de extracción de características definidas por el usuario. Las CNNs trabajan a través de

varias capas, donde la primera capa es la entrada (datos de píxeles brutos)

y la última capa es la de salida, que incluye la directiva

clasificación/diagnóstico de la imagen/lesión. El primero y el segundo

últimas capas son las únicas dos capas a las que se puede acceder mediante la directiva

usuario. Sin embargo, hay múltiples capas ocultas entre ellas

que pueden ser indirectamente accesibles a través de la entrada y la salida

capas. Estas capas ocultas son la parte de la red que

modela la relación entre las tareas de entrada y salida.

La red hace esto mapeando la imagen de la lesión de entrada en

un sistema matemático/numérico distintivo y potencialmente único

descripción de sus relaciones interpixel llamada representación de características,

que se pueden clasificar de forma fiable utilizando la salida

de la red.

Hay dos ventajas principales de las CNNs: A diferencia de los anteriores

de análisis de imágenes, donde el usuario necesita definir las

la mejor representación de características para realizar la tarea deseada, basada en CNN

los algoritmos son capaces de aprender la representación de la característica

y resolver la tarea de clasificación/reconocimiento directamente

de los datos de forma conjunta sin necesidad de que el usuario

orientación. Además, como el análisis se realiza con convolución

operaciones, que pueden ser calculadas de una manera muy eficiente.

mediante el tratamiento paralelo sobre unidades de proceso gráficas

(GPUs), se pueden utilizar fácilmente grandes cantidades de datos para conseguir

modelos exitosos y altamente robustos. Las CNNs han sido mostradas

para realizar un análisis de imagen mucho mejor que el anterior

tecnologías[14].

Mientras que las CNNs han mejorado dramáticamente el paisaje

de la investigación de la IA para el diagnóstico del cáncer de piel, ellos

sufren de grandes requerimientos de datos y falta de interpretabilidad.

Como estos modelos tienen un gran número de

parámetros sintonizables, requieren grandes conjuntos de datos de imagen para

tren[15]. Por otra parte, en muchos casos, el análisis que se realiza

sobre las capas ocultas, así como las características

que se utilizan para generar el diagnóstico, no pueden ser plenamente interpretados por los
usuarios. Por lo tanto, puede ser un desafío

para entender cómo los algoritmos llegan a su

"conclusiones".

Exactitud diagnóstica de la IA para lesiones cutáneas

En 2017, una carta de investigación histórica fue publicada en Nature por

Esteva et al.[16--]. Los autores entrenaron a una CNN con 129.450

imágenes clínicas incluyendo 3000 imágenes dermoscópicas y comparadas

su capacidad para diferenciar entre carcinomas de queratinocitos

y queratosis seborreica y entre melanomas y nevos

a la de los expertos humanos. La CNN obtuvo resultados en

a la par de todos los expertos probados. A diferencia del trabajo anterior, en este

la CNN no se limitó a la segmentación hecha por el hombre

criterios, sino sólo imágenes con sus respectivos diagnósticos.

y creó sus propias reglas de diagnóstico (modelo de clasificación).

Otra publicación histórica fue la de Han et al. en 2018

[17•• ]. En este artículo, los autores entrenaron a una CNN con varios

conjuntos de datos de imágenes privadas que incluían 12 enfermedades de la piel diferentes

(CBC, carcinoma de células escamosas[CCE], enfermedad de Bowen, actínica

queratosis, queratosis seborreica, melanoma, nevus, lentigo,

granuloma piógeno, hemangioma, dermatofibroma y

verrugas). Ellos reportaron que el desempeño de la CNN fue similar

a la de 16 dermatólogos y tenía un área bajo la curva

(AUC) de la curva característica del operador del receptor (ROC) de 0,90

0.96 para BCC, 0.83-0.91 para SCC, y 0.82-0.88 para melanoma.

Como método novedoso de prueba, el grupo ha permitido a cualquiera

para probar sus algoritmos y ha hecho públicos los resultados, que

puede transformar el campo hacia adelante.

Después de que varios estudios hayan demostrado que las CNNs pueden ser utilizadas para

diagnosticar lesiones cutáneas pigmentadas, Tschandl et al. probaron sus

rendimiento en lesiones cutáneas no pigmentadas[18]. Ellos

entrenaron a su modelo con casi 13.724 imágenes de lesiones extirpadas.

A continuación, probaron su rendimiento en 2000 imágenes y

comparado con el rendimiento de 95 clasificadores humanos. El

La curva de AUC ROC de la CNN fue de 0,742 en comparación con la de

0,695 para los calificadores humanos. Cuando la especificidad se fijó en

el nivel medio de los calificadores humanos (51,3%), la sensibilidad de la CNN

(80,5%) fue superior a la de los calificadores humanos (77,6%). El

autores concluyeron que la CNN logró una tasa más alta de

Diagnósticos específicos correctos comparados con los calificadores principiantes,

pero no comparado con los expertos en dermatoscopia.

Se han realizado varias revisiones y meta-análisis sistemáticos

publicado en los últimos 2 años, en el que se resumen los datos disponibles

sobre la precisión diagnóstica de la IA para lesiones cutáneas. Un Cochrane

revisión que resume los datos disponibles hasta agosto de 2016

incluyó un meta-análisis de 22 estudios que utilizaron técnicas de dermatoscopia.

AI. Encontraron que la sensibilidad para el diagnóstico de

El melanoma fue del 90,1% y la especificidad del 74,3%. Los autores

comentó que los estudios tenían alta variabilidad y alto riesgo

de sesgo e incluyó sólo poblaciones específicas[19].

Marka et al. publicaron una revisión sistemática sobre el sexo anal y el

cánceres de piel no melanoma (CPNM) que incluían estudios publicados hasta 2018.
Reportaron una precisión diagnóstica

de 72-100% y AUC de 0.832 a 1.0. Una vez más, los estudios

de sesgo y las limitaciones metodológicas.

[20].

En dos estudios recientes de Alemania, la capacidad de las CNN para

diagnosticar correctamente las lesiones cutáneas. En

el primer estudio, CNN fue entrenado y probado en dermatoscopia

imágenes de nevos y melanomas pigmentados y su rendimiento

se comparó con 58 dermatólogos internacionales. Ajustado

a la sensibilidad de los dermatólogos, la CNN tenía una mayor especificidad.

Curiosamente, esto era cierto incluso cuando los investigadores

proporcionó a los dermatólogos información adicional no dermatoscópica

imágenes de cerca y datos clínicos[21].

En el segundo estudio, los autores entrenaron a una CNN únicamente en

imágenes dermatoscópicas y luego probaron su rendimiento en pruebas clínicas.

y lo comparó con 145 dermatólogos.

Ajustado a la sensibilidad media de los dermatólogos

(89,4%), la CNN mostró una especificidad ligeramente mayor

(68,2% vs. 64,4%), a pesar de que nunca fue entrenado en clínica.

imágenes[22].
Colaboración Internacional en Imágenes de la Piel

Patrocinado por la International Society for Digital Imaging of

la Skin, International Skin Imaging Collaboration (ISIC) es

una colaboración entre el mundo académico y la industria con el fin de mejorar

melanoma diagnostica y reduce sus tasas de mortalidad a través de

el uso de tecnologías de imagen digital. Proporciona un servicio público de

base de datos que se utiliza para comparar los algoritmos de aprendizaje de la máquina

y presentar desafíos públicos.

En general, la actividad de la CIIU puede dividirse en dos grandes áreas

partes:

1. Grupos de trabajo de la CIIU - Estos grupos de expertos están trabajando

sobre el desarrollo de normas para la obtención de imágenes cutáneas en diferentes países.

aspectos, incluyendo tecnologías de imagenología, técnicas de imagenología,

terminología y estándares de metadatos (estándares

para los datos técnicos y clínicos que deben almacenarse

con la imagen).

2. Archivo ISIC[23]-ISIC ha desarrollado y actualmente

mantiene la mayor base de datos de imágenes disponible al público

de lesiones en la piel. Las imágenes se recogen de los principales

centros de todo el mundo. Actualmente, el archivo está formado por

de más de 40.000 imágenes (en su mayoría dermoscópicas, pero también

clínica) de ~ 30 diferentes lesiones cutáneas marcadas con su

diagnóstico.

El ISIC ha sido un motor importante en el desarrollo de la IA

tecnologías en el campo del cáncer de piel. En primer lugar, el archivo ISIC

es un sitio web de acceso abierto y las imágenes están disponibles para

a todo el mundo a descargar y usar para entrenar software de IA.

En segundo lugar, la CIIU ha estado organizando retos anuales para seguir

involucrar a la comunidad tecnológica. Los desafíos consisten en un set de formación y un set

de pruebas, y se invita a los participantes a presentar

sus algoritmos y competir por el algoritmo más preciso.

Los desafíos incluyen tres pasos: (1) segmentación de

la lesión a partir del fondo de las imágenes; (2) detección de

diferentes características dermoscópicas; y (3) la clasificación de la

lesión en la imagen.

A cada participante se le proporciona un set de entrenamiento (imágenes +

información de clasificación y segmentación) para desarrollar

Algoritmos ML que realizan las tareas definidas en cada uno de ellos

fase. Se evalúa el rendimiento de los métodos desarrollados

a través de un equipo de prueba independiente (sólo las imágenes están disponibles para el

participantes). El colaborador puede hacer un upload de sus resultados de tratamiento

sobre el conjunto de pruebas al portal web de desafíos, en el que el

los resultados se evalúan casi en tiempo real y se publican en el

cuestionar los tableros de puntaje. De esta manera, los participantes pueden competir

los métodos y evaluar su rendimiento en comparación con otros

participantes.

Cada año, los desafíos se hacen más complicados

con más imágenes y más diagnósticos que se incluyen. El

El desafío de 2016 incluyó 900 imágenes en el set de entrenamiento y

350 imágenes en el equipo de prueba. Se incluyeron dos diagnósticos: melanomas

y Nevi. Dos rasgos dermatoscópicos fueron

y glóbulos examinados. El rendimiento de los algoritmos de Inteligencia Artificial

se comparó con la de 8 dermatólogos. El

el rendimiento de los dermatólogos fue similar al del mejor individuo

(sensibilidad del 82% y especificidad del 59%), pero no así

tan bueno como un algoritmo de fusión que combinaba 16 algoritmos individuales

predicciones (especificidad del 76% cuando la sensibilidad

se fijó al nivel de los dermatólogos en un 82%)[24--].

El desafío de 2017 incluyó 2.000 imágenes en la formación

y 600 imágenes en el equipo de prueba. Tres diagnósticos

se incluyeron: melanomas, nevos y queratosis seborreica.

Se examinaron cuatro características dermoscópicas: red de pigmentos,

red negativa, rayas y quistes similares a milias. El

El algoritmo superior alcanzó un AUC de 0,91 en todas las enfermedades.

categorías[25].

El desafío más reciente de la CIIU de 2018 utilizó el método

El desafío más reciente de la CIIU de 2018 utilizó el método

HAM10000[26], que incluye más de 10.000

imágenes dermatoscópicas de 7 categorías de enfermedades (melanoma, nevos,

queratosis seborreica, CBC, enfermedad de Bowen y queratosis actínica,

lesiones vasculares y dermatofibromas). Cinco

se examinaron las características dermoscópicas: red de pigmentos, negativo

de la red, estrías, quistes similares a milias y glóbulos (incluyendo

puntos). Los algoritmos de mejor rendimiento lograron un promedio de

sensibilidad del 88,5% en el diagnóstico de todas las categorías de enfermedades. El

el rendimiento de los algoritmos se comparó con el rendimiento

de más de 500 participantes humanos, pero estos resultados no han sido

ya ha sido publicado.

Los retos de la CIIU han ayudado dramáticamente a incrementar la

cantidad de investigaciones y publicaciones relacionadas con la IA y la piel

diagnóstico de lesiones. Docenas de documentos que describen las diferentes

se publicaron los algoritmos que se utilizaron en los desafíos

siguiendo cada desafío.

Nuevos desarrollos y tecnologías

La mayoría de los grandes avances en la implementación de la IA en la piel

el diagnóstico de cáncer hasta ahora ha implicado la creación de predicciones para

la clasificación de las imágenes dermatoscópicas de las lesiones cutáneas.

Sin embargo, hay otros campos de investigación nuevos y apasionantes

que se han publicado en los últimos años.

1. Uso de metadatos - Como se mencionó anteriormente, los metadatos se basan en texto.

datos que proporcionan información adicional no visual

al sistema de clasificación/AI. Clásicamente, los metadatos consisten en

dos componentes: a) metadatos clínicos que incluyen al paciente

demografía, historia clínica y evolución de las lesiones;

y b) metadatos técnicos que incluyan información sobre

la adquisición de imágenes y la tecnología. Yap et al. examinados

el uso de un clasificador que combina modalidades de imágenes

con los metadatos de los pacientes y los comparó con el rendimiento

de un clasificador de línea de base que sólo usó un único

imagen macroscópica. Encontraron que el clasificador combinado

mejor que el clasificador de línea de base en la detección de

melanoma, así como otras lesiones como el CBC

y SCC[27]. Roffman et al. entrenaron a una CNN para predecir las

riesgo de ENCS. Fueron capaces de alcanzar una sensibilidad de

88,5% y una especificidad del 62,2% basada únicamente en un cuestionario,

que ni siquiera incluía la exposición a los rayos ultravioleta

[28].

2. La IA en aplicaciones para smartphones: una búsqueda rápida en las diferentes aplicaciones

tiendas de aplicaciones conduce a múltiples aplicaciones para teléfonos inteligentes que

ofrecen un

"diagnóstico automatizado" de lesiones cutáneas. Sin embargo, un reciente

una revisión sistemática por parte de la Cochrane Library encontró muy

escasa información basada en la evidencia para la eficacia de la

estas tecnologías. Fueron capaces de identificar sólo dos

estudios, ambos con alto riesgo de sesgo, que probaron cuatro

aplicaciones de diagnóstico. Sensibilidad para el diagnóstico del melanoma

o lesiones de "alto riesgo"/"problemáticas" oscilaban entre 7

al 73% y la especificidad del 37 al 94%. Los autores concluyeron

que las aplicaciones para teléfonos inteligentes aún no han demostrado

pruebas suficientes de la exactitud y de los datos existentes

sugiere que tienen un alto riesgo de no tener melanoma[29].

3. Exámenes de diagnóstico distintos a la dermoscopia: la dermatoscopia es

el método más utilizado por los dermatólogos para

detección del cáncer de piel. Sin embargo, existen otros métodos.

Varios estudios investigaron la implementación de la IA

en estos métodos. Algunos ejemplos son los basados en CNN

clasificación en las imágenes de CCC de los PTU (95,4% de sensibilidad)

y especificidad)[30], segmentación semántica de

patrones morfológicos de la lesión melanocítica en la MCR

mosaicos recogidos a nivel de la unión epidérmica dérmica

(76% de sensibilidad y 94% de especificidad)[31], delineación

del estrato córneo y de la unión epidérmica dérmica en

Pila de imágenes RCM[32-34], y clasificación basada en CNN

sobre imágenes hiperespectrales de nevos y melanomas seleccionados

(100% de sensibilidad y 36% de especificidad)[35].

Limitaciones y desafíos

Después de leer esta revisión y los datos de precisión del diagnóstico, uno

podría pensar que la IA actualmente supera a los dermatólogos humanos

en el diagnóstico de cáncer de piel. Sin embargo, este no es el caso.

La mayoría de los estudios descritos en esta revisión se han realizado

en un entorno experimental controlado con un número limitado de

de diagnósticos y en primeros planos o imágenes dermatoscópicas. En el

por otro lado, los médicos no están capacitados para diagnosticar lesiones solamente

a partir de dermatoscopia o imágenes clínicas. En entornos clínicos reales,

los calificadores humanos utilizan información adicional para llegar a un diagnóstico,

incluyendo la paciente y los datos clínicos y la historia clínica de la lesión,

la combinación del ojo desnudo y la apariencia dermoscópica

de la lesión, la comparación de la lesión con otras lesiones en el

el cuerpo del paciente, y la capacidad de palpar la lesión. Por lo tanto, la

el uso de metadatos es crítico y en la mayoría de los estudios, no hay metadatos

estaba incluido. En este sentido, este entorno favorece a la IA más que al

y no representa un verdadero entorno clínico. En el

existencia de todos estos metadatos, el rendimiento de los humanos

mejoraría significativamente. Sin embargo, sigue siendo un activo

área de investigación sobre cuánto puede beneficiarse la IA de este aspecto

información.

Desafíos en el desarrollo de la IA para el cáncer de piel

Revisión

Además, hay numerosos desafíos en el desarrollo

y la aplicación de la IA en el ámbito del cribado del cáncer de piel.

En esta sección se revisarán las principales.

1. La necesidad de grandes tuberías de datos

El desarrollo de la IA a nivel clínico requiere grandes cantidades de datos

para entrenar los algoritmos. Aparte del archivo ISIC,

la mayoría de las bases de datos de imágenes de acceso abierto de lesiones cutáneas en la

actualidad

incluyen un número relativamente pequeño de imágenes. Entre otros

el desarrollo de bases de datos de acceso abierto es limitado

por varios factores, tales como los derechos de autor de las imágenes y los derechos de los
pacientes.

privacidad. Además, la mayoría de las bases de datos de imágenes actualmente incluyen

principalmente imágenes dermoscópicas y falta de imágenes clínicas o de cuerpo completo

imágenes fotográficas, que limitan el uso de la IA para

imágenes dermatoscópicas y no a los pacientes.

2. "Diagnóstico de "verdad sobre el terreno

Para que un algoritmo ML entrene y "aprenda" la relación

entre los datos de píxeles y la clasificación de la lesión, se requiere

diagnóstico de "verdad en tierra" para las imágenes. En dermatología,

El diagnóstico de la "verdad básica" se considera tradicionalmente

el diagnóstico histológico. Esto plantea dos grandes desafíos:

primero, la histología es una prueba dependiente del operador y en algunos casos

son leídos como diagnósticos diferentes por patólogos diferentes[36].

En segundo lugar, la inclusión de sólo lesiones biopsiadas crea un sesgo en los conjuntos de
entrenamiento a favor de las lesiones malignas y puede dificultar

la capacidad del algoritmo para diagnosticar con precisión los más comunes

lesiones cutáneas benignas, como angiomas o nevos benignos,

que no son rutinariamente biopsiados.

3. Falta de estándares de imágenes

Muchos factores diferentes pueden influir en la apariencia de una

lesión en una imagen: condiciones de iluminación, ángulo de cámara, cámara

distancia, calibración de color, etc., que puede cambiar debido a

variaciones en (i) las condiciones de imagen y/o (ii) las especificaciones

de dispositivos de imagen fabricados por diferentes compañías

(o incluso modelos). Para la reproducibilidad de los algoritmos AI

utilizando diferentes conjuntos de datos/ajustes clínicos, lo mejor es que todos ellos

los factores están estandarizados. Sin embargo, hoy en día, la mayoría de los productos
dermatológicos

el proceso de adquisición de imágenes no está estandarizado. Hay intentos

en la creación de estándares en fotografía dermatológica,

pero siguen siendo complejos y no son fáciles de implementar[37].

4. Falta de metadatos

Dos lesiones de apariencia similar pueden tener diferentes efectos clínicos.

en diferentes entornos clínicos (por ejemplo, un nuevo Spitzoide

en un niño pequeño frente a una persona de edad avanzada). Sin embargo,

hoy en día, la mayoría de las bases de datos de imágenes que se utilizan para entrenar la IA no

incluyen cualquier metadato, y los algoritmos se entrenan en base a

datos de píxeles solamente. Incluir metadatos junto con imágenes en

el futuro podría mejorar la capacidad de AI para obtener una información más precisa.

diagnóstico, como ya lo demostró Yap et al.[27].

5. Falta de generalización

Mientras que hay miles de diferentes entidades de enfermedades en

dermatología, la mayoría de las bases de datos de imágenes incluyen un gran número de

en un número limitado de diagnósticos. Un algoritmo ML

que está entrenado en sólo unos pocos tipos de lesiones no funcionará

bien en un ambiente clínico donde hay docenas de diferentes

lesiones. Además, los archivos de imágenes han sido objeto de críticas.

de tipos de piel, etnias,

y geografías, y tienen una representación desproporcionada

de tipos de piel más claros. Algoritmos entrenados con estas bases de datos

puede no funcionar bien en entornos clínicos que incluyen

todo tipo de pieles[38].

6. Falta de estudios prospectivos en el ámbito clínico.

Como se mencionó anteriormente, todos los estudios previos de las tecnologías ML

en el diagnóstico de cáncer de piel se han llevado a cabo de forma controlada

ambiente experimental en entornos dermoscópicos y/o de proximidad.

imágenes que no representan con precisión los parámetros clínicos.

Crear algoritmos ML que sean relevantes para la clínica real.

en un entorno, se necesitan estudios prospectivos que se llevarán a cabo

en los mismos lugares.

Consideraciones futuras

Con el desarrollo de las CNNs en los últimos años, AI ya no es

depende de características predefinidas y es capaz de aprender

de los datos de píxeles sin procesar para generar clasificaciones. Este

incluye múltiples capas "ocultas" que son desconocidas para

el operador y carece de significado clínico. En cuanto a los enfoques

de futuros IAs, esperamos que la literatura se mueva hacia más

métodos de diagnóstico transparentes y clínicamente relevantes, que

sería más relevante para el médico en entornos clínicos.

Además, esperamos que el futuro traiga más y mejor

bases de datos de imágenes organizadas, lo que permitirá

entrenar algoritmos ML más precisos y completos. Este

puede ser atribuido a varias tendencias - primero, más médicos y

los centros médicos utilizan la fotografía[39], generando una gran piscina

de imágenes de enfermedades de la piel. Segundo, se espera que las imágenes sean

estandarizados y acoplados con metadatos como esfuerzos en la creación de

estos estándares están aumentando. En tercer lugar, la resolución de las cuestiones

regulatorias y de

las cuestiones legales harán que haya más imágenes disponibles de diversos países.
orígenes geográficos, étnicos y culturales.

Por último, muchos esfuerzos y recursos se invierten en el desarrollo

de la IA, pero la mejor manera de implementar la IA en una clínica

aún no está claro. ¿Los usuarios finales serán pacientes o

médicos? ¿Cómo se les entregarán las predicciones?

¿Y cuál será el papel de la IA en la orientación del diagnóstico y el manejo?

Por ejemplo, no está claro cómo una persona sin experiencia

el médico o un paciente debe lidiar con el resultado del 2% de probabilidad

para el melanoma[40]. En opinión de los autores, AI

no reemplazará a los médicos en un futuro cercano. Más bien, será

una herramienta en sus manos. Aunque todos los desafíos mencionados

se superan, todavía está la cuestión de la naturaleza humana:

los humanos prefieren interactuar con los humanos, especialmente en la medicina

y más aún en el caso del diagnóstico de cáncer[41]. A

la manera potencial de implementar la IA en un entorno clínico puede ser

encontrado en un estudio de Tschandl et al.[42]. Los autores informaron

una red neuronal que presenta al médico una visión visualmente similar

imágenes basadas en características de la imagen en cuestión. Este

tipo de modelos pueden ser utilizados como una herramienta para ayudar a mejorar la

precisión diagnóstica del médico.

4. Conclusiones

En los últimos dos años se han producido avances espectaculares en el desarrollo de la

tecnología de la información.

de IA para el diagnóstico de lesiones cutáneas, principalmente de

lesiones cutáneas pigmentadas a través de imágenes dermatoscópicas.

Sin embargo, todos estos avances se han producido en una forma controlada.

ambiente experimental con la exclusión de entornos muy críticos

metadatos. En este sentido, la adopción de diagnósticos basados en la IA en

el entorno clínico real de la dermatología todavía está en sus primeras etapas

y limitada. En general, la cuestión más importante es establecer una sinergia

ambiente de investigación entre los dermatólogos y los

informáticos, donde cada parte entiende las necesidades y limitaciones de ambos campos. Los
dermatólogos deben liderar

la discusión sobre dónde debe integrarse la IA en la piel

la detección del cáncer en un entorno clínico con el fin de proporcionar una verdadera

beneficio tanto para el médico como para el paciente y para evitar cualquier confusión

o estrés innecesario y biopsias. Por otro lado,

los informáticos deberían dirigir los debates sobre los datos

que es necesario alcanzar estos objetivos y proporcionar nuevos medios

de analizar y presentar los datos para hacer la práctica clínica

más eficiente.

Cumplimiento de las Directrices de Ética

Conflicto de intereses Allan C. Halpern ha trabajado para Canfield

Scientific, Inc. y para el Consejo Asesor de Scibase.

Ofer Reiter, Verónica Rotemberg y Kivanc Kose declaran que no hay conflicto

de interés.

Derechos Humanos y de los Animales y Consentimiento Informado.

contener cualquier estudio con sujetos humanos o animales realizado por cualquiera de

los autores.