Enhanced Classifications of Skin  Melanoma, Actinic Keratosis, and Basal Cell Carcinoma Tumors Versus Normal Tissues Utilizing  YOLOv11 and  EfficientNetV2M  Deep Learning Models

Resumen Técnico: Clasificaciones Mejoradas de Tumores de Melanoma Cutáneo, Queratosis Actínica y Carcinoma Basocelular frente a Tejidos Normales utilizando Modelos de Aprendizaje Profundo YOLOv11 y EfficientNetV2M

Planteamiento del Problema
Los tumores cutáneos representan un desafío significativo para la salud global, siendo el melanoma invasivo el responsable de la mayoría de las muertes relacionadas con el cáncer de piel, a pesar de comprender solo una pequeña fracción de los casos totales. Los sistemas de diagnóstico automatizados actuales que utilizan datos dermoscópicos enfrentan tres obstáculos persistentes: un severo desequilibrio de clases en los conjuntos de datos públicos (que sesga los modelos hacia casos benignos), una alta similitud visual entre lesiones benignas y malignas que complica la discriminación de características, y una falta de benchmarking consistente entre arquitecturas. Además, aunque las arquitecturas orientadas a la detección (como la familia YOLO) y los modelos orientados a la clasificación (como EfficientNet) han avanzado en la visión computacional, su aplicabilidad específica y rendimiento comparativo en la clasificación binaria de lesiones cutáneas —particularmente bajo condiciones clínicas de desequilibrio de clases— no han sido caracterizados sistemáticamente.

Metodología
El estudio utiliza el conjunto de datos HAM10000, una colección pública de 10,015 imágenes dermoscópicas que cubren siete clases distintas de lesiones cutáneas. Para reflejar la realidad clínica, los autores preservaron deliberadamente un desequilibrio de clases de 4:1 entre casos benignos y malignos. El conjunto de datos se dividió en conjuntos de entrenamiento (80%), validación (10%) y prueba (10%), asegurando que no hubiera filtración de datos de pacientes entre las particiones.

La investigación evalúa tres configuraciones distintas de aprendizaje profundo:

1. YOLOv11: Un modelo YOLOv11s (Ultralytics) ajustado finamente para la clasificación binaria. El modelo fue sometido a un ajuste fino completo utilizando un optimizador SGD, una tasa de aprendizaje de 0.001 y un tamaño de lote de 32 durante 50 épocas. La aumentación de datos incluyó rotación de ±45°, volteo horizontal/vertical del 50% y escalado del 50%.
2. EfficientNetV2M + Red Neuronal (NN): El backbone EfficientNetV2M fue congelado como extractor de características (preentrenado en ImageNet), alimentando una cabeza de red neuronal personalizada que consistía en cinco capas densas con normalización por lotes (batch normalization) y dropout. Esta configuración fue entrenada utilizando un optimizador SGD.
3. EfficientNetV2M + Máquina de Vectores de Soporte (SVM): Se utilizó el mismo backbone EfficientNetV2M para extraer características, las cuales fueron estandarizadas y clasificadas mediante una SVM polinómica (grado 1) de la biblioteca scikit-learn.

El estudio realizó estudios de ablación sobre optimizadores (AdamW vs. SGD), tasas de aprendizaje, tamaños de lote y políticas de aumentación para identificar las decisiones de diseño más influyentes.

Contribuciones Clave

• Benchmarking de YOLOv11: Este trabajo presenta el primer benchmark de YOLOv11 para la clasificación binaria de lesiones cutáneas, logrando un alto rendimiento sin modificaciones arquitectónicas ni destilación de conocimiento.
• Evaluación de Pipeline Híbrido: Los autores evalúan y comparan pipelines híbridos que combinan EfficientNetV2M con clasificadores tanto de redes neuronales como de SVM, analizando las compensaciones entre el entrenamiento de extremo a extremo de aprendizaje profundo y la clasificación de características mediante aprendizaje automático tradicional.
• Análisis Comparativo Riguroso: El estudio proporciona una línea base reproducible frente a métodos de vanguardia (incluyendo ResNet50, RegNetY-320 y DSNet) utilizando divisiones de conjuntos de datos y métricas de evaluación consistentes.
• Perspectivas de Ablación: Identificación sistemática de los hiperparámetros que influyen más significativamente en el rendimiento de la clasificación bajo condiciones de desequilibrio de clases.

Resultados

• YOLOv11: Logró la mayor precisión de prueba del 92.8%, con una sensibilidad (recall) del 86.5% y una especificidad del 93.3%. El modelo demostró una fuerte capacidad para minimizar los falsos negativos, lo que lo hace adecuado para el cribado de alta sensibilidad.
• EfficientNetV2M + NN: Logró una precisión de prueba del 85.1%. Aunque mostró una generalización efectiva en la clase minoritaria, produjo una sensibilidad y un F1 score menores en comparación con la variante SVM.
• EfficientNetV2M + SVM: Logró una precisión de prueba del 85.0% con un F1 score de 83.0%. Esta configuración ofreció la especificidad más alta (96.8%) y precisión (83.8%), proporcionando un perfil de precisión-exhaustividad más conservador adecuado para el triaje de alta precisión.
• Rendimiento Comparativo: YOLOv11 superó a varias líneas base establecidas, incluyendo ResNet50 (90%), RegNetY-320 (91%) y DSNet (91.7%). Los enfoques híbridos de EfficientNet se desempeñaron de manera comparable a otras CNN como MobileNet e InceptionV3 encontradas en la literatura previa.

Significancia y Reivindicaciones
El artículo sostiene que la elección de la arquitectura debe guiarse por el contexto clínico operativo específico en lugar de un único "mejor" modelo.

• YOLOv11 se posiciona como el candidato superior para el cribado de alta sensibilidad, donde minimizar las malignidades omitidas (falsos negativos) es primordial.
• EfficientNetV2M + SVM se presenta como una alternativa robusta para el triaje de alta precisión, ofreciendo una especificidad superior para reducir los procedimientos de seguimiento innecesarios.

Los autores concluyen que, si bien YOLOv11 establece un nuevo estado del arte para la precisión general en este dominio, los enfoques híbridos de EfficientNet ofrecen alternativas modulares y flexibles que equilibran la precisión y la exhaustividad de manera efectiva. El estudio enfatiza que estos resultados proporcionan benchmarks reproducibles para futuras investigaciones, aunque reconocen la necesidad de una evaluación prospectiva en conjuntos de datos clínicos independientes para validar la generalizabilidad más allá del benchmark ISIC.