Modelo de aprendizaje automático mediante el procesamiento digital de imágenes para la detección temprana de melanoma

Abstract

El cáncer de piel, particularmente el melanoma, representa un desafío significativo en salud pública debido a su creciente incidencia y alta mortalidad si no se detecta tempranamente. Esta tesis desarrolla un modelo de aprendizaje automático mediante el procesamiento digital de imágenes para la detección temprana de melanoma. Utilizando una metodología basada en redes neuronales convolucionales y PyTorch, se procesó un conjunto de datos de 10,210 imágenes dermatoscópicas, estandarizadas a 300x300 píxeles y posteriormente reducidas a 50x50 píxeles para el análisis. El modelo alcanzó una precisión del 83% en el conjunto de prueba y un 80% de acierto en pruebas de clasificación con 10 imágenes diversas. Se desarrolló una interfaz gráfica de usuario para facilitar su uso en entornos clínicos. Los resultados muestran que el modelo es eficaz en la detección de melanomas avanzados y lunares claramente benignos, aunque enfrenta desafíos con lesiones en etapas tempranas o atípicas. Se concluye que el modelo representa una herramienta prometedora para el apoyo en el diagnóstico temprano de melanomas, destacando la necesidad de ampliar el conjunto de datos de entrenamiento y realizar validaciones clínicas extensas para mejorar su precisión y aplicabilidad.

Skin cancer, particularly melanoma, represents a significant public health challenge due to its increasing incidence and high mortality if not detected early. This thesis develops a machine learning model using digital image processing for the early detection of melanoma. Using a methodology based on convolutional neural networks and PyTorch, a dataset of 10,210 dermatoscopic images was processed, standardized to 300x300 pixels and subsequently reduced to 50x50 pixels for analysis. The model achieved 83% accuracy on the test set and 80% accuracy in classification tests with 10 diverse images. A graphical user interface was developed to facilitate its use in clinical settings. The results show that the model is effective in detecting advanced melanomas and clearly benign moles, although it faces challenges with early stage or atypical lesions. It is concluded that the model represents a promising tool for early melanoma diagnosis support, highlighting the need to expand the training dataset and perform extensive clinical validations to improve its accuracy and applicability.