Académique Documents
Professionnel Documents
Culture Documents
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
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
Introducción
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.
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.
[5, 6]. Sin embargo, estas pruebas aún no se han implementado ampliamente,
Inteligencia Artificial
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].
fue propuesto por primera vez en la década de 1940, pero no fue hasta los primeros años
obra de Krizhevsky[9]. Las principales razones fueron: (i) los problemas neurales
particularmente el melanoma.
entrenado para diagnosticar lesiones cutáneas usando características que son de modelado
lista de control).
una cohorte general, así como una limitada capacidad de cálculo y algorítmica.
capacidades para digerir y analizar los datos disponibles.
Cáncer
formación de modelos de redes neuronales con tamaños más grandes y más altos
análisis dermatoscópico de imágenes. Las CNNs son una pila de filtros que operan
fase de extracción de características definidas por el usuario. Las CNNs trabajan a través de
últimas capas son las únicas dos capas a las que se puede acceder mediante la directiva
tecnologías[14].
que se utilizan para generar el diagnóstico, no pueden ser plenamente interpretados por los
usuarios. Por lo tanto, puede ser un desafío
"conclusiones".
a la par de todos los expertos probados. A diferencia del trabajo anterior, en este
[17•• ]. En este artículo, los autores entrenaron a una CNN con varios
Después de que varios estudios hayan demostrado que las CNNs pueden ser utilizadas para
cánceres de piel no melanoma (CPNM) que incluían estudios publicados hasta 2018.
Reportaron una precisión diagnóstica
[20].
imágenes[22].
Colaboración Internacional en Imágenes de la Piel
base de datos que se utiliza para comparar los algoritmos de aprendizaje de la máquina
partes:
con la imagen).
diagnóstico.
lesión en la imagen.
a través de un equipo de prueba independiente (sólo las imágenes están disponibles para el
cuestionar los tableros de puntaje. De esta manera, los participantes pueden competir
participantes.
categorías[25].
ya ha sido publicado.
[28].
Limitaciones y desafíos
Después de leer esta revisión y los datos de precisión del diagnóstico, uno
por otro lado, los médicos no están capacitados para diagnosticar lesiones solamente
Revisión
por varios factores, tales como los derechos de autor de las imágenes y los derechos de los
pacientes.
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
los factores están estandarizados. Sin embargo, hoy en día, la mayoría de los productos
dermatológicos
4. Falta de metadatos
hoy en día, la mayoría de las bases de datos de imágenes que se utilizan para entrenar la IA no
el futuro podría mejorar la capacidad de AI para obtener una información más precisa.
5. Falta de generalización
de tipos de piel más claros. Algoritmos entrenados con estas bases de datos
Consideraciones futuras
las cuestiones legales harán que haya más imágenes disponibles de diversos países.
orígenes geográficos, étnicos y culturales.
una red neuronal que presenta al médico una visión visualmente similar
tipo de modelos pueden ser utilizados como una herramienta para ayudar a mejorar la
4. Conclusiones
Sin embargo, todos estos avances se han producido en una forma controlada.
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
más eficiente.
Ofer Reiter, Verónica Rotemberg y Kivanc Kose declaran que no hay conflicto
de interés.
contener cualquier estudio con sujetos humanos o animales realizado por cualquiera de
los autores.