Melanoma Prediction Using a Deep Convolutional Neural Network (CNN) Model

Resumen Técnico: Predicción de Melanoma mediante un Modelo de Red Neuronal Convolucional (CNN) Profunda

Planteamiento del Problema
El melanoma es la forma más agresiva de cáncer de piel, con tasas de mortalidad que aumentan significativamente cuando el diagnóstico se retrasa hasta etapas avanzadas. Si bien la detección temprana ofrece una tasa de supervivencia a cinco años superior al 95%, el diagnóstico tradicional depende del examen dermoscópico y la histopatología, los cuales están sujetos a la variabilidad interobservador y requieren altos niveles de pericia. Aunque la Inteligencia Artificial (IA), específicamente el Aprendizaje Profundo (DL) y las Redes Neuronales Convolucionales (CNN), ha mostrado promesa en la automatización de la extracción de características de imágenes dermoscópicas, diversas barreras impiden su despliegue clínico. Estas incluyen el desequilibrio de los conjuntos de datos (que favorece a las lesiones benignas), la naturaleza de "caja negra" de los modelos de aprendizaje profundo que dificulta la confianza del clínico, la falta de protocolos de evaluación estandarizados y la baja generalizabilidad entre diferentes dispositivos de imagen y demografías de pacientes. Además, aunque existen numerosos estudios experimentales, existe la necesidad de una síntesis exhaustiva de las tendencias de publicación globales, las contribuciones influyentes y las tecnologías emergentes desde 2015 hasta 2026 para guiar la investigación futura.

Metodología
Este estudio emplea una revisión sistemática de literatura cualitativa y un análisis bibliométrico basado enteramente en datos secundarios. El marco de investigación sigue las directrices PRISMA (Elementos de Informe para Revisiones Sistemáticas y Metaanálisis).

• Fuentes de Datos: Las publicaciones fueron recuperadas de IEEE Xplore, Scopus, PubMed, ScienceDirect, SpringerLink y Google Scholar.
• Alcance: La revisión cubre artículos revisados por pares publicados entre enero de 2015 y marzo de 2026.
• Criterios de Selección: La inclusión requería un enfoque en la detección de melanoma mediante aprendizaje profundo o CNN, el reporte de métricas de evaluación y la disponibilidad de texto completo. Los criterios de exclusión eliminaron publicaciones no en inglés, resúmenes de conferencias sin datos completos, estudios de aprendizaje automático tradicional sin aprendizaje profundo y trabajos no revisados por pares.
• Análisis: La extracción de datos se centró en tendencias de publicación, distribución geográfica, conjuntos de datos, arquitecturas de CNN, técnicas de preprocesamiento, estrategias de aprendizaje por transferencia, métricas de evaluación y direcciones de investigación emergentes. El análisis bibliométrico se realizó utilizando VOSviewer y Bibliometrix para mapear redes de colaboración y autores influyentes.
• Marco Teórico: El estudio se fundamenta en la teoría del Aprendizaje Profundo, el Aprendizaje por Transferencia (utilizando pesos preentrenados de ImageNet), los principios de la IA Explicable (XAI) (Grad-CAM, LIME, SHAP) y la Investigación Basada en la Evidencia.

Contribuciones Clave

1. Síntesis Exhaustiva: A diferencia de los estudios experimentales individuales, esta revisión sintetiza los hallazgos de numerosas publicaciones revisadas por pares para proporcionar una visión holística del progreso tecnológico en la detección de melanoma durante una década.
2. Mapeo Bibliométrico: El estudio identifica autores, instituciones y países influyentes (notablemente EE. UU., China, Reino Unido y Australia) y mapea las redes de colaboración global, destacando el papel del Desafío ISIC y el conjunto de datos HAM10000 en el impulso de la investigación.
3. Análisis del Paisaje Tecnológico: El artículo categoriza y compara el rendimiento de las arquitecturas de CNN dominantes (ResNet50, DenseNet169, EfficientNet, VGG16, InceptionV3) y los paradigmas emergentes como los Vision Transformers (ViT), los modelos híbridos CNN-Transformer y el aprendizaje de conjunto (ensemble learning).
4. Identificación de Brechas: La revisión identifica explícitamente brechas de investigación críticas, incluyendo el desequilibrio de los conjuntos de datos, la falta de representación de diversos tonos de piel, la insuficiencia de validación externa y la necesidad de protocolos de evaluación estandarizados para asegurar la aplicabilidad clínica.
5. Direcciones Futuras: Propone vías de investigación futuras específicas, incluyendo el desarrollo de modelos ligeros para la atención médica móvil, la integración del aprendizaje federado para el entrenamiento preservando la privacidad y la priorización de la IA Explicable para facilitar la aprobación regulatoria y la confianza del clínico.

Resultados

• Tendencias de Publicación: La actividad de investigación en la detección de melanoma basada en aprendizaje profundo ha crecido exponencialmente, particularmente después de 2017 tras el estudio histórico de Esteva et al. La tendencia muestra un cambio de la clasificación básica de CNN hacia técnicas avanzadas que involucran mecanismos de atención, XAI y arquitecturas híbridas.
• Conjuntos de Datos: El conjunto de datos HAM10000 es el benchmark más utilizado, seguido por los archivos ISIC. Sin embargo, la revisión señala que estos conjuntos de datos suelen sufrir de desequilibrio de clases y una diversidad limitada en tonos de piel y orígenes geográficos.
• Arquitecturas: El aprendizaje por transferencia es el enfoque estándar, utilizado en el 80–90% de los estudios. DenseNet169 y EfficientNet demuestran consistentemente un rendimiento superior, ofreciendo una alta precisión con menos parámetros en comparación con modelos anteriores como VGG16.
• Rendimiento: El rango de precisión reportado oscila entre el 85% y el 98%, con valores de ROC-AUC que frecuentemente superan el 0.95. No obstante, la revisión enfatiza que la alta precisión por sí sola es insuficiente; las métricas como el Recall (Sensibilidad) son críticas para el diagnóstico médico.
• Explicabilidad: Grad-CAM es la técnica de XAI dominante utilizada para generar mapas de calor, ayudando a los clínicos a verificar que los modelos se enfocan en características de la lesión clínicamente relevantes.
• Tendencias Emergentes: La literatura reciente explora cada vez más los Vision Transformers, el aprendizaje autosupervisado y el aprendizaje federado para abordar problemas de privacidad de datos y robustez del modelo.

Significancia y Reivindicaciones
El artículo sostiene que el aprendizaje profundo ha transformado fundamentalmente la detección automatizada de melanoma, superando consistentemente a los métodos tradicionales de aprendizaje automático. Su significancia radica en proporcionar una base actualizada y basada en evidencia para que investigadores y clínicos comprendan el estado actual del campo.

• Para Investigadores: El estudio ofrece una hoja de ruta para investigaciones futuras al resaltar las fortalezas y debilidades metodológicas, instando específicamente hacia un movimiento hacia la validación multicéntrica, la creación de conjuntos de datos diversos y la integración de XAI.
• Para Clínicos y Responsables de Políticas: La revisión aclara que la IA debe verse como una herramienta de apoyo a la decisión en lugar de un reemplazo para los dermatólogos. Subraya la necesidad de estandarización de benchmarks, directrices regulatorias para la validación de la IA e inversiones en tecnologías explicables para asegurar una adopción clínica segura y efectiva.
• Alcance Modesto: Los autores declaran explícitamente que este es un estudio de revisión de datos secundarios; no propone un nuevo modelo de CNN ni realiza nuevos experimentos clínicos. Los hallazgos están limitados por la calidad de las publicaciones originales y la exclusión de la literatura no inglesa. El documento concluye que, si bien el aprendizaje profundo posee un enorme potencial, deben abordarse desafíos significativos respecto a la generalizabilidad, la equidad y la integración clínica antes de que pueda ocurrir una implementación rutinaria y generalizada.