Aplicación de técnicas de Inteligencia Artificial (DL y ML) para la clasificación de lesiones cutáneas a partir de imágenes demoscópicas y datos clínicos

Abstract

[ES] La detección temprana de la malignidad de las lesiones cutáneas es crucial debido a la agresividad y alta tasa de mortalidad asociada a diversos tipos de cáncer de piel. Las lesiones cutáneas malignas, aunque representan una pequeña proporción de los casos, son responsables de la mayoría de las muertes por cáncer de piel. Cuando se detectan en etapas iniciales, los tratamientos pueden ser altamente efectivos, incrementando las tasas de supervivencia. La dermoscopia, una técnica de imagen no invasiva, ha revolucionado la capacidad de los dermatólogos para evaluar las lesiones cutáneas sospechosas. Implementar un sistema de cribado inicial utilizando dermoscopia en el contexto de la sanidad pública podría ser de gran relevancia, permitiendo identificar y priorizar rápidamente los casos sospechosos para una evaluación más exhaustiva. Las técnicas de aprendizaje profundo han demostrado ser herramientas eficaces en el análisis y clasificación de imágenes médicas, y su aplicación en la clasificación de lesiones cutáneas. Estas técnicas, basadas en redes neuronales convolucionales (CNN), pueden procesar y analizar grandes cantidades de datos de imágenes dermoscópicas con una precisión que a menudo supera la de los métodos tradicionales. Al aprender automáticamente las características relevantes para la clasificación de lesiones a partir de grandes conjuntos de datos etiquetados, las CNN pueden identificar patrones sutiles y complejos que podrían pasar desapercibidos para el ojo humano. Además, los modelos de aprendizaje profundo pueden integrarse con datos clínicos adicionales, como características demográficas, para mejorar más la precisión diagnóstica. La implementación de estas tecnologías en sistemas de cribado inicial puede agilizar el proceso de detección, proporcionando evaluaciones rápidas y precisas que permiten a los dermatólogos centrarse en los casos críticos, reducir el número de biopsias innecesarias y monitorizar cambios en las lesiones cutáneas a lo largo del tiempo. Este trabajo pretende aplicar técnicas de inteligencia artificial para la clasificación de lesiones cutáneas a partir de imágenes dermoscópicas y datos clínicos. El objetivo es desarrollar un sistema que mejore la precisión diagnóstica y facilite la detección temprana de lesiones malignas, optimizando así el proceso de cribado en el contexto de la sanidad pública, y abriendo la posibilidad al diagnóstico remoto mediante teledermatología.

[EN] Early detection of the malignancy of skin lesions is crucial due to the aggressiveness and high mortality rate associated with various types of skin cancer. Although malignant skin lesions represent a small proportion of cases, they are responsible for the majority of skin cancer deaths. When detected in early stages, treatments can be highly effective, increasing survival rates. Dermoscopy, a non-invasive imaging technique, has revolutionized dermatologists' ability to evaluate suspicious skin lesions. Implementing an initial screening system using dermoscopy within the context of public healthcare could be highly relevant, allowing for the rapid identification and prioritization of suspicious cases for more thorough evaluation. Deep learning techniques have proven to be effective tools in the analysis and classification of medical images, including their application in the classification of skin lesions. These techniques, based on convolutional neural networks (CNN), can process and analyze large amounts of dermoscopic image data with a precision that often surpasses traditional methods. By automatically learning the relevant features for lesion classification from large labeled datasets, CNNs can identify subtle and complex patterns that might go unnoticed by the human eye. Additionally, deep learning models can be integrated with additional clinical data, such as demographic characteristics, to further improve diagnostic accuracy. The implementation of these technologies in initial screening systems can streamline the detection process, providing rapid and accurate assessments that allow dermatologists to focus on critical cases, reduce the number of unnecessary biopsies, and monitor changes in skin lesions over time. This work aims to apply artificial intelligence techniques for the classification of skin lesions using dermoscopic images and clinical data. The goal is to develop a system that improves diagnostic accuracy and facilitates the early detection of malignant lesions, thereby optimizing the screening process within public healthcare and opening up the possibility for remote diagnosis through teledermatology.

[CA] La detecció primerenca de la malignitat de les lesions cutànies és crucial a causa de l'agressivitat i alta taxa de mortalitat associada a diversos tipus de càncer de pell. Les lesions cutànies malignes, tot i que representen una petita proporció dels casos, són responsables de la majoria de les morts per càncer de pell. Quan es detecten en etapes inicials, els tractaments poden ser altament efectius, incrementant les taxes de supervivència. La dermoscòpia, una tècnica d'imatge no invasiva ha revolucionat la capacitat dels dermatòlegs per avaluar les lesions cutànies sospitoses. Implementar un sistema de cribratge inicial utilitzant dermoscòpia en el context de la sanitat pública podria ser de gran rellevància, permetent identificar i prioritzar ràpidament els casos sospitosos per a una avaluació més exhaustiva. Les tècniques d' aprenentatge profund han demostrat ser eines eficaces en l' anàlisi i classificació d' imatges mèdiques, i la seva aplicació en la classificació de lesions cutànies. Aquestes tècniques, basades en xarxes neuronals convolucionals (CNN), poden processar i analitzar grans quantitats de dades d'imatges dermoscòpiques amb una precisió que sovint supera la dels mètodes tradicionals. En aprendre automàticament les característiques rellevants per a la classificació de lesions a partir de grans conjunts de dades etiquetades, les CNN poden identificar patrons subtils i complexos que podrien passar desapercebuts per a l' ull humà. A més, els models d' aprenentatge profund poden integrar-se amb dades clíniques addicionals, com característiques demogràfiques, per millorar més la precisió diagnòstica. La implementació d' aquestes tecnologies en sistemes de cribratge inicial pot agilitar el procés de detecció, proporcionant avaluacions ràpides i precises que permeten als dermatòlegs centrar-se en els casos crítics, reduir el nombre de biòpsies innecessàries i monitoritzar canvis en les lesions cutànies al llarg del temps. Aquest treball pretén aplicar tècniques d'intel·ligència artificial per a la classificació de lesions cutànies a partir d'imatges dermoscòpiques i dades clíniques. L'objectiu és desenvolupar un sistema que millori la precisió diagnòstica i faciliti la detecció primerenca de lesions malignes, optimitzant així el procés de cribratge en el context de la sanitat pública, i obrint la possibilitat al diagnòstic remot mitjançant teledermatologia.