💻 computer science

An Attention-Enhanced MobileViT Framework for Multi-Task Skin Lesion Classification and Segmentation

Este artículo propone un marco de trabajo MobileViT-XS ligero y mejorado con atención que equilibra eficazmente la eficiencia computacional y la fiabilidad diagnóstica para la clasificación y segmentación conjunta de lesiones cutáneas, logrando un rendimiento competitivo en el conjunto de datos ISIC 2019 con significativamente menos parámetros que los modelos pesados.

Autores originales: Yanqiang Ge, Bingqian Lu, Haoyu Wang, Zixu Yang, Zhan Zhang

Publicado 2026-08-25

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Yanqiang Ge, Bingqian Lu, Haoyu Wang, Zixu Yang, Zhan Zhang

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Cada año, millones de personas en todo el mundo desarrollan lesiones cutáneas, que van desde lunares inofensivos hasta cánceres peligrosos como el melanoma. Detectar estas afecciones a tiempo es una cuestión de vida o muerte; cuando el melanoma se detecta antes de que se propague, la tasa de supervivencia de cinco años es casi perfecta, pero una vez que alcanza órganos distantes, esa probabilidad disminuye drásticamente. Actualmente, la primera línea de defensa suele ser un médico general en una clínica local, no un dermatólogo especialista. Estos proveedores de atención primaria se enfrentan a una realidad difícil: deben detectar signos sutiles de cáncer en imágenes de la piel sin poseer los años de formación especializada que posee un dermatólogo, y a menudo carecen de los costosos y pesados sistemas informáticos que impulsan las herramientas de diagnóstico más avanzadas. El desafío, entonces, es construir un asistente digital que sea lo suficientemente inteligente como para ver lo que ve un especialista, pero lo suficientemente ligero como para ejecutarse en las modestas computadoras que se encuentran en una clínica estándar o incluso en un dispositivo móvil.

Un equipo de investigadores ha abordado este desafío creando un nuevo tipo de sistema de inteligencia artificial diseñado específicamente para este entorno. Construyeron un marco de trabajo que puede observar una imagen de una lesión cutánea y hacer dos cosas a la vez: decidir qué tipo de lesión es y dibujar un contorno preciso alrededor de ella. El núcleo de su sistema es una red neuronal ligera, un tipo de programa informático inspirado en el cerebro humano, que eligieron por su capacidad para equilibrar un alto rendimiento con un bajo consumo de energía. Para hacer este sistema aún más agudo, añadieron un mecanismo que ayuda a la computadora a concentrarse en las partes más importantes de la imagen, de forma muy similar a cómo el ojo humano ignora naturalmente un fondo concurrido para enfocarse en un objeto específico. También diseñaron el sistema para que fuera cauteloso; si la computadora no está segura de un diagnóstico, está programada para marcar el caso para un médico humano en lugar de adivinar con confianza, una función de seguridad destinada a prevenir errores peligrosos.

Los investigadores probaron su creación utilizando una gran colección de imágenes de piel de una base de datos médica pública. Los resultados mostraron que su sistema ligero podía identificar correctamente el tipo de lesión cutánea en más del 84 por ciento de los casos, un nivel de precisión que rivaliza con modelos mucho más grandes y complejos que requieren hardware potente y costoso. Además de clasificar la lesión, el sistema delineó con éxito los límites del crecimiento en la imagen con un alto grado de precisión. Quizás lo más importante es que el estudio demostró que enseñar a la computadora a realizar ambas tareas simultáneamente —identificar la lesión y dibujar su forma— en realidad la hizo mejor identificando la lesión que si hubiera sido entrenada para hacer solo uno de esos trabajos. Esto sugiere que las dos tareas se ayudan entre sí, con el acto de delinear la lesión ayudando a la computadora a comprender sus características más profundamente.

A pesar de estos éxitos, los investigadores advierten cuidadosamente que su sistema aún no está listo para reemplazar a un médico. El modelo fue entrenado con imágenes tomadas bajo condiciones controladas e ideales, y podría tener dificultades con la iluminación y los ángulos desordenados y variados que se encuentran en clínicas del mundo real o en autoexploraciones en casa. Además, el sistema está diseñado para ser una herramienta de detección, no una autoridad diagnóstica final. Cuando la computadora encuentra una imagen difícil o ambigua, su protocolo de seguridad integrado la dirige a enviar el caso a un experto humano para su revisión. El equipo visualiza esta tecnología como una forma de empoderar a los médicos generales, brindándoles una segunda opinión confiable que pueda ayudar a detectar cánceres de piel peligrosos de manera más temprana, incluso en entornos donde los recursos especializados son escasos. Antes de que esta herramienta pueda ser utilizada en hospitales, sin embargo, debe someterse a más pruebas en entornos clínicos reales para asegurar que funcione de manera segura en diferentes tipos de piel y situaciones médicas.

Resumen Técnico: Un Marco de Trabajo MobileViT Mejorado con Atención para la Clasificación y Segmentación Multitarea de Lesiones Cutáneas

1. Planteamiento del Problema

El artículo aborda el desafío de desplegar el diagnóstico automatizado de lesiones cutáneas en entornos de atención primaria con recursos limitados. Si bien el aprendizaje profundo ha avanzado en el análisis de lesiones cutáneas, existe un compromiso significativo entre la precisión diagnóstica y la eficiencia computacional.

Modelos pesados (p. ej., Transformers estándar, grandes U-Nets) ofrecen un rendimiento sólido pero poseen sobrecargas de parámetros prohibitivas, lo que los hace inadecuados para dispositivos móviles o de borde (edge devices).
Las redes ligeras existentes a menudo carecen de un modelado robusto de características globales y de una mejora de características espaciales, lo que limita su fiabilidad para tareas granulares como distinguir límites de lesiones ambiguos.
Preocupaciones de seguridad: La mayoría de los modelos actuales proporcionan predicciones deterministas sin cuantificar explícitamente la incertidumbre, lo que puede conducir a salidas excesivamente confiadas en muestras ambiguas o atípicas, lo que aumenta los riesgos de error diagnóstico clínico.

2. Metodología

Los autores proponen un marco ligero y aumentado por atención basado en MobileViT-XS para la clasificación y segmentación semántica conjunta de lesiones cutáneas.

Arquitectura del Backbone: El marco utiliza MobileViT-XS como un backbone compartido. Esta arquitectura combina Redes Neuronales Convolucionales (CNN) para la extracción de texturas locales con Vision Transformers (ViTs) para el modelado de dependencias globales, capturando eficazmente las características multiescala y de límites ambiguos de las lesiones dermoscópicas.
Mecanismo de Atención (CBAM): Se integra un Módulo de Atención de Bloque Convolucional (CBAM) al final del backbone, antes de las cabezas específicas de la tarea. El CBAM aplica secuencialmente la atención de canal (identificando canales informativos mediante global pooling y MLP) y la atención espacial (agregando información de canales para generar una máscara espacial) para refinar las representaciones de las características.
Diseño de Aprendizaje Multitarea (MTL): La arquitectura presenta una estructura de doble rama:
- Rama de Clasificación: Genera probabilidades para ocho categorías de lesiones (AK, BCC, BKL, DF, MEL, NV, SCC, VASC) utilizando global average pooling, dropout y una capa totalmente conectada.
- Rama de Segmentación: Genera una máscara de lesión a nivel de píxel utilizando un decodificador ligero que realiza el upsampling de las características y aplica convoluciones.
- Promoción Asimétrica: El diseño aprovecha la supervisión de segmentación a nivel de píxel para asistir la optimización de la clasificación de imágenes, creando un "paradigma de promoción de tarea asimétrica" donde la segmentación ayuda a la clasificación de manera más significativa que viceversa.
Función de Pérdida: La pérdida total es una suma ponderada de las pérdidas de clasificación y segmentación ( $L_{total} = \lambda_{cls}L_{cls} + \lambda_{seg}L_{seg}$ $L_{t o t a l} = λ_{c l s} L_{c l s} + λ_{se g} L_{se g}$ ).
- Pérdida de Clasificación: Se utiliza una pérdida de entropía cruzada ponderada para abordar el desequilibrio de clases, con pesos inversamente proporcionales a la frecuencia de la clase.
- Pérdida de Segmentación: Se utiliza una combinación de pérdida Dice y pérdida de Entropía Cruzada Binaria (BCE) para optimizar el solapamiento de regiones y la precisión de píxel.
Inferencia Conservadora y Estratificación de Riesgo: Para mitigar la excesiva confianza, se emplea una estrategia de inferencia orientada a la seguridad.
- Umbrales de Revisión: Las muestras se marcan para revisión experta si la probabilidad máxima de clase ( $p_{max}$ ) es inferior a 0.50 o si el margen entre las dos clases principales ( $\delta$ ) es inferior a 0.15.
- Estratificación de Riesgo: Para las muestras no revisadas, se calcula la probabilidad acumulada de las clases malignas (MEL, BCC, SCC, AK). Los riesgos se estratifican como Alto (predicción maligna), Medio (predicción benigna pero $p_{malignant} \ge 0.25$ ) o Bajo.

3. Contribuciones Clave

Validación de MobileViT-XS: El estudio valida sistemáticamente a MobileViT-XS como un backbone ligero superior para el análisis de lesiones cutáneas, demostrando que equilibra mejor la textura local y el contexto global que las CNN puras (p. ej., EfficientNet-B0) o los Transformers pesados.
Paradigma Multitarea Mejorado con Atención: El trabajo establece un marco de aprendizaje colaborativo donde la supervisión de segmentación refina significativamente las características espaciales para la clasificación. Demuestra que el módulo CBAM genera ganancias sustanciales de rendimiento específicamente cuando se acopla con el aprendizaje multitarea, superando las limitadas ganancias de atención observadas en los marcos de tarea única.
Predicción Orientada a la Seguridad: La introducción de una restricción de predicción conservadora y un mecanismo de estratificación de riesgo aborda el problema de la excesiva confianza del modelo, marcando muestras inciertas para la revisión humana para mejorar la seguridad diagnóstica.

4. Resultados Experimentales

Los experimentos se realizaron en el conjunto de datos ISIC 2019 (25,331 imágenes, 8 clases) con máscaras de segmentación emparejadas de ISIC 2018.

Métricas de Rendimiento:
- Clasificación: El modelo propuesto alcanzó un 84.37% de Precisión (Accuracy), 79.46% de F1-Macro, 79.68% de Sensibilidad y 97.22% de Especificidad.
- Segmentación: El modelo alcanzó un coeficiente Dice de 86.37% y un mIoU de 78.09%.
- Eficiencia: El modelo opera con solo 2.62 Millones de parámetros.
Análisis Comparativo:
- El método propuesto superó a los baselines ligeros como EfficientNet-B0 (81.63% de Precisión) y superó significativamente a ResNet-50 y GS-TransUNet.
- Aunque los modelos de segmentación de tarea única (U-Net, DeepLabV3+) lograron puntuaciones de Dice/mIoU ligeramente superiores, el modelo multitarea propuesto ofrece un compromiso de precisión-eficiencia superior al realizar ambas tareas simultáneamente con un mínimo de parámetros.
Estudios de Ablación:
- Añadir CBAM a un baseline de MobileViT-XS de tarea única produjo ganancias marginales.
- La introducción del Aprendizaje Multitarea (MTL) aumentó significativamente la precisión de la clasificación (de ~72% a ~83.6%).
- La combinación de MTL con CBAM logró los resultados óptimos, confirmando que la supervisión densa de segmentación activa todo el potencial del mecanismo de atención.

5. Significado y Reivindicaciones

El artículo afirma proporcionar un compromiso bien equilibrado entre precisión, eficiencia computacional, interpretabilidad visual y seguridad de la predicción clínica.

Aplicabilidad en Atención Primaria: El marco se posiciona como una solución ligera y desplegable para el cribado de lesiones cutáneas en atención primaria y dispositivos de borde portátiles, donde los recursos computacionales son limitados.
Interpretabilidad: La integración de mapas de calor Grad-CAM y visualizaciones superpuestas mejora la interpretabilidad del modelo, permitiendo a los clínicos comprender el razonamiento detrás de las predicciones.
Seguridad: Al manejar explícitamente la incertidumbre mediante umbrales conservadores, el sistema busca reducir el riesgo de predicciones peligrosamente confiadas en casos ambiguos.

Limitaciones y Perspectivas Futuras:
Los autores reconocen que el modelo fue entrenado exclusivamente en conjuntos de datos públicos de ISIC bajo condiciones de imagen controladas, lo que puede provocar cambios de dominio en escenarios reales de atención primaria o de autocuidado. La ponderación de pérdida actual es fija y los umbrales de predicción están definidos empíricamente. El artículo concluye que se requiere una validación clínica prospectiva multicéntrica antes de que se pueda realizar la aplicación clínica en el mundo real. El trabajo futuro se centrará en la recopilación de conjuntos de datos clínicos diversos, la exploración de mecanismos dinámicos de equilibrio de tareas y la implementación de despliegue en dispositivos móviles/borde mediante ONNX o TFLite.