El melanoma, que representa más del 70% de todos los cánceres de piel, ocurre cuando las células productoras de pigmento llamadas melanocitos se multiplican sin control. Este cáncer generalmente se diagnostica mediante la inspección visual de lesiones pigmentadas sospechosas (SPL) y esta detección temprana de las lesiones en el consultorio de un médico suele salvar vidas. Sin embargo, hay varias desventajas con este enfoque, incluido el alto volumen de lesiones potenciales que se deben realizar biopsias y pruebas antes de confirmar un diagnóstico.
Para superar estos problemas, los investigadores del MIT y algunas otras instituciones de Boston han desarrollado una nueva herramienta de aprendizaje profundo para identificar más fácilmente las lesiones dañinas a partir de fotografías tomadas con un teléfono inteligente.
Una vez que la herramienta se entrenó utilizando ejemplos conocidos, demostró una sensibilidad superior al 90,3% y una especificidad del 89,9% para distinguir los SPL de las lesiones no sospechosas, la piel y los fondos complejos
El artículo, publicado en Science Translational Medicine, describe el desarrollo de la herramienta utilizando una rama de la inteligencia artificial llamada redes neuronales convolucionales profundas (DCNN). Los investigadores entrenaron su herramienta utilizando más de 20.000 imágenes, tomadas de 133 pacientes y de bases de datos disponibles públicamente. Es importante destacar que las imágenes se tomaron con diferentes cámaras personales, para garantizar que funcionaran con ejemplos de la vida real.
Una vez que la herramienta se entrenó utilizando ejemplos conocidos, demostró una sensibilidad superior al 90,3% y una especificidad del 89,9% para distinguir los SPL de las lesiones no sospechosas, la piel y los fondos complejos.
Un aspecto interesante que distingue a esta herramienta de otras se basa en la identificación de lesiones utilizando el criterio del 'patito feo'. Este método, utilizado actualmente por los dermatólogos, asume que la mayoría de los lunares en un individuo parecen similares entre sí y generalmente no son sospechosos, con lunares de apariencia diferente clasificados como 'patitos feos' para una investigación adicional. Los criterios para clasificar las lesiones como sospechosas o no sospechosas incluyen su circularidad, convexidad, inercia, intensidad y tamaño.
Al entrenar el sistema en diferentes características de los lunares, como circularidad, tamaño e intensidad, la precisión de la predicción mejoró enormemente: el algoritmo coincidió con el consenso de dermatólogos experimentados el 88% de las veces, y coincidió con la opinión de los dermatólogos individuales el 86% de los casos. Si se confirma la tecnología, podría generar ahorros significativos en términos de tiempo clínico y costos involucrados en la obtención de imágenes y el análisis de lesiones individuales.
"Nuestra investigación sugiere que los sistemas que aprovechan la visión por computadora y las redes neuronales profundas, cuantificando tales signos comunes, pueden lograr una precisión comparable a la de los dermatólogos experto", dicen los autores. "Esperamos que nuestra investigación revitalice el deseo de realizar exámenes dermatológicos más eficientes en entornos de Atención Primaria para impulsar las derivaciones adecuadas", sentencian.