¿Y si los primeros signos del cáncer de piel pudieran identificarse antes, antes de acudir a la consulta del dermatólogo?

Investigadores de la Universidad de Misuri están estudiando cómo la inteligencia artificial podría ayudar a detectar el melanoma, el tipo más peligroso de cáncer de piel, mediante la evaluación de imágenes de anomalías cutáneas sospechosas.

Diseñada como una herramienta de apoyo a la toma de decisiones y no como un sustituto de la experiencia médica, esta tecnología podría ayudar a los dermatólogos a identificar más rápidamente los casos que requieren una atención más detallada.

«El objetivo no es que la IA sustituya a los médicos y otros expertos, sino que la IA pueda ayudar a los pacientes con acceso limitado a dermatólogos», afirmó Kamlendra Singh, profesor asociado de investigación de la Facultad de Medicina Veterinaria que dirigió el estudio.

«Dado que una detección precoz conduce a un tratamiento más temprano, nuestra investigación puede desempeñar algún día un papel importante en la mejora de los resultados sanitarios».

Para acercarse a ese futuro, los investigadores de Mizzou están desarrollando modelos de IA de alta precisión que pueden examinar imágenes de la piel de los pacientes y evaluar patrones visuales sutiles, como el tamaño, la forma, el color, la densidad y la nitidez de los lunares o las manchas sospechosas, que pueden indicar un melanoma.

Al integrar la informática avanzada con los conocimientos médicos, la investigación destaca el papel cada vez más importante de Mizzou en la intersección entre la IA, la medicina de precisión y la atención centrada en el paciente.

Trabajo en equipo de IA

En el estudio, Singh y su equipo entrenaron y probaron modelos de IA utilizando una base de datos de 400 000 imágenes de anomalías cutáneas, incluidos casos confirmados de melanoma.

Las imágenes se capturaron mediante fotografía 3D de cuerpo entero, una tecnología avanzada que crea un mapa digital tridimensional de alta resolución de la piel del paciente, lo que permite a los investigadores analizar detalles visuales sutiles en todo el cuerpo.

Singh tenía curiosidad por saber cuál de los tres modelos de IA existentes sería el más preciso a la hora de distinguir el melanoma de las afecciones cutáneas benignas.

Individualmente, cada modelo alcanzó una precisión de hasta el 88 %.

Pero cuando Singh combinó los tres modelos, el rendimiento mejoró significativamente, con una precisión superior al 92 %.

De cara al futuro

Como investigador principal del Bond Life Sciences Centre, Singh está especialmente interesado en el papel que puede desempeñar la IA en la ampliación del acceso a la atención sanitaria, en particular en zonas donde los pacientes carecen de acceso a profesionales médicos y equipos altamente especializados.

A medida que los modelos de IA sigan entrenándose con conjuntos de datos más grandes, que incluyen imágenes que representan diferentes tonos de piel, condiciones de iluminación y ángulos de cámara, su capacidad para realizar predicciones precisas seguirá mejorando.

«Pasará algún tiempo antes de que los médicos puedan utilizar esta herramienta en el ámbito sanitario, pero esta investigación es una prueba de concepto prometedora», afirma Singh.

«Como investigadores, si conseguimos explicar mejor por qué y cómo la IA llega a las conclusiones que llega, más profesionales sanitarios confiarán en que puede ser una herramienta útil para, en última instancia, apoyar la toma de decisiones clínicas y mejorar los resultados de los pacientes».

Singh agradece a la avanzada infraestructura computacional de Mizzou y a la División de Investigación, Innovación e Impacto por ayudar a convertir ideas de investigación innovadoras en soluciones con impacto en el mundo real.

«En cuanto a hacer realidad esto algún día, puedo hacerlo porque estoy en una universidad líder en investigación como Mizzou», afirmó Singh.

El estudio, titulado «Rendimiento del conjunto de redes neuronales convolucionales transformadoras para el diagnóstico del melanoma en datos fotográficos segmentados en 3D de todo el cuerpo: validación cruzada estratificada K-fold», se publicó en Biosensors and Bioelectronics.

Fuente: Universidad de Missouri-Columbia