Aplicación web para la detección de cáncer de piel basada en aprendizaje profundo
DOI:
https://doi.org/10.37135/ns.01.17.03Palabras clave:
Aplicación web, Aprendizaje profundo, Cáncer de piel, Redes neuronales convolucionales, TensorFlowResumen
El desarrollo de tecnologías avanzadas en salud es una de las áreas más apasionantes y desafiantes del siglo XXI. La aplicación del aprendizaje profundo para el diagnóstico médico representa un avance significativo en la capacidad de los sistemas automatizados para asistir a los profesionales en la toma de decisiones. Este trabajo presenta una aplicación web para la detección temprana de cáncer de piel mediante redes neuronales convolucionales, específicamente ResNet; la misma permite la detección automática de ocho tipos de cáncer de piel: Melanoma, Nevo melanocítico, Carcinoma de células basales, Queratosis actínica, Dermatofibroma, Carcinoma de células escamosas, Lesión vascular y Queratosis seborreica. La metodología CRISP-DM utilizada en este estudio incluye el preprocesamiento de datos utilizando TensorFlow y la evaluación del desempeño del modelo mediante métricas como: precisión, sensibilidad, pérdida promedio y mAP (mean Average Precision). Se trabaja con un conjunto de datos de 25,331 imágenes, divididas en 20,265 para entrenamiento y 5,066 para prueba. Con los resultados de este trabajo se obtuvo, el 94% de precisión y 87% de sensibilidad. Se plantea como trabajo futuro la optimización del modelo y la exploración de su aplicación en otras patologías dermatológicas, con el objetivo de ampliar su utilidad en contextos clínicos asistidos por inteligencia artificial.
Descargas
Referencias
A. Naeem, M. S. Farooq, A. Khelifi, y A. Abid, “Malignant Melanoma Classification Using Deep Learning: Datasets, Performance Measurements, Challenges and Opportunities,” IEEE Access, vol. 8, pp. 110575–110597, 2020, doi: https://doi.org/10.1109/ACCESS.2020.3001507.
H. Zanddizari, N. Nguyen, B. Zeinali, y J. M. Chang, “A new preprocessing approach to improve the performance of CNN-based skin lesion classification,” Med. Biol. Eng. Comput., vol. 59, no. 5, pp. 1123– 1131, abr. 2021, doi: https://doi.org/10.1007/s11517-021-02355-5.
A. Esteva et al., “Dermatologist-level classification of skin cancer with deep neural networks,” Nature, vol. 542, no. 7639, pp. 115–118, ene. 2017, doi: https://doi.org/10.1038/nature21056.
S. Kaymak, P. Esmaili, y A. Serener, “Deep Learning for Two-Step Classification of Malignant Pigmented Skin Lesions,” 2018 14th Symp. Neural Networks Appl. NEUREL 2018, pp. 1–6, nov. 2018, doi: https://doi.org/10.1109/NEUREL.2018.8587019.
A. K. Morales, D. R. Lepe, y J. F. Díaz, “Redes Neuronales Convolucionales para Detección de Carcinoma Basocelular (Cáncer de Piel) por Medio de Imágenes para Pacientes Adultos en la Región Facial,” Ciencia Latina, vol. 8, no. 4, pp. 582-599, ago. 2024, doi: https://doi.org/10.37811/cl_rcm.v8i4.12300.
Y. Fontaine Pérez, D. Sotolongo Díaz, I. Espinosa Carballosa, M. Roque Morgado, M. Montes de Oca Álvarez, y M. Figueroa García, “Utilidad del dermatoscopio en la correlación clínica e histológica de nevus pigmentados,” Rev Cubana Inv Bioméd, vol. 40, no. 2, ago. 2021.
B. S. Ankad, S. S. Mukherjee, y B. Pralhadrao, Dermoscopy - Histopathology Correlation. Springer Singapore, 2021. doi: https://doi.org/10.1007/978-981-33-4638-3.
S. Rajarajeswari, J. Prassanna, M. Abdul Quadir, J. Christy Jackson, S. Sharma, y B. Rajesh, “Skin Cancer Detection using Deep Learning,” Res. J. Pharm. Technol., vol. 15, no. 10, pp. 4519–4525, oct. 2022, doi: https://doi.org/10.52711/0974-360X.2022.00758.
I. H. Sarker, “Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions,” SN Comput. Sci., vol. 2, no. 6, ago. 2021, doi: https://doi.org/10.1007/s42979-021-00815-1.
A. A. Adegun y S. Viriri, “Deep learning-based system for automatic melanoma detection,” IEEE Access, vol. 8, pp. 7160–7172, 2020, doi: https://doi.org/10.1109/ACCESS.2019.2962812.
C. K. Juan et al., “Deep convolutional neural network with fusion strategy for skin cancer recognition: model development and validation,” Sci. Rep., vol. 13, no. 1, oct. 2023, doi: https://doi.org/10.1038/s41598-023-42693-y.
K. Thurnhofer-Hemsi y E. Domínguez, “A Convolutional Neural Network Framework for Accurate Skin Cancer Detection,” Neural Process. Lett., vol. 53, no. 5, pp. 3073–3093, oct. 2021, doi: https://doi.org/10.1007/s11063-020-10364-y.
K. M. Hosny, M. A. Kassem, y M. M. Foaud, “Skin Cancer Classification using Deep Learning and Transfer Learning,” 2018 9th Cairo Int. Biomed. Eng. Conf. CIBEC 2018 - Proc., pp. 90–93, dic. 2018, doi: https://doi.org/10.1109/CIBEC.2018.8641762.
C. Schröer, F. Kruse, y J. M. Gómez, “A systematic literature review on applying CRISP-DM process model,” Procedia Comput. Sci., vol. 181, pp. 526–534, 2021, doi: https://doi.org/10.1016/j.procs.2021.01.199.
A. Maranhão, “Skin Lesion Analysis Dataset,” Kaggle, 2020. [En línea]. Disponible en: https://www.kaggle.com/datasets/andrewmvd/isic-2019/data
P. Tschandl, C. Rosendahl, y H. Kittler, “The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions,” Sci. Data, vol. 5, no. 1, ago. 2018, doi: https://doi.org/10.1038/sdata.2018.161.
C. Hernández-Pérez et al., “BCN20000: Dermoscopic Lesions in the Wild,” Sci. Data, vol. 11, no. 1, jun. 2024, doi: https://doi.org/10.1038/s41597-024-03387-w.
J. Muñoz-Ordóñez, C. Cobos, M. Mendoza, E. Herrera-Viedma, F. Herrera, y S. Tabik, "Framework for the Training of Deep Neural Networks in TensorFlow Using Metaheuristics, Lecture Notes in Computer Science. Springer International Publishing, pp. 801-811, 2018. doi: https://doi.org/10.1007/978-3-030-03493-1_83.
V. R. Joseph, “Optimal ratio for data splitting,” Statistical Analysis, vol. 15, no. 4, pp. 531-538, abr. 2022, doi: https://doi.org/10.1002/sam.11583.
M. Anour Naoui, “Transferir el enfoque de aprendizaje basado en la detección del cáncer de piel,” vol. 16, no. 4, pp. 1–17, dic. 2022. Disponible en: http://ref.scielo.org/k754wb.
F. Farías Rivera y N. M. Loja Mora, “Entrenamiento para la detección de cáncer de piel,” ago. 13, 2025, Zenodo. doi: https://doi.org/10.5281/ZENODO.16827475.
S. E. Cerminara et al., “Diagnostic performance of augmented intelligence with 2D and 3D total body photography and convolutional neural networks in a high-risk population for melanoma under realworld conditions: A new era of skin cancer screening?,” European Journal of Cancer, vol. 190, p. 112954, sep. 2023, doi: https://doi.org/10.1016/j.ejca.2023.112954.
S. Kim, E. Gaibor, y D. Haehn, “Web-based Melanoma Detection,” 2024, arXiv. doi: https://doi.org/10.48550/ARXIV.2403.14898.
D. Palacios-Martínez y R. A. Díaz-Alonso, “Dermatoscopia para principiantes (I): características generales,” Semergen, vol. 43, no. 3, pp. 216–221, abr. 2017, doi: https://doi.org/10.1016/j.semerg.2015.11.009.
O. Attallah, “Skin cancer classification leveraging multi-directional compact convolutional neural network ensembles and gabor wavelets,” Sci. Rep., vol. 14, no. 1, sep. 2024, doi: https://doi.org/10.1038/s41598-024-69954-8.
C. V. Niño-Rondón, D. A. Castellano-Carvajal, S. A. Castro-Casadiego, B. Medina-Delgado, y K. C. Puerto-López, “HASCC: A Hybrid Algorithm for Skin Cancer Classification,” Rev. Fac. Ing., vol. 33, no. 67, p. e16943, mar. 2024, doi: https://doi.org/10.19053/uptc.01211129.v33.n67.2024.16943.
J. Guillermo Guarnizo, S. Riaño Borda, E. C. Camacho Poveda, y A. Mateus Rojas, “Automated Malignant Melanoma Classification Using Convolutional Neural Networks,” Cien. Ing. Neogranadina, vol. 32, no. 2, pp. 171–185, dic. 2022, doi: https://doi.org/10.18359/rcin.6270.
W. Gouda, N. U. Sama, G. Al-Waakid, M. Humayun, y N. Z. Jhanjhi, “Detection of Skin Cancer Based on Skin Lesion Images Using Deep Learning,” Healthcare, vol. 10, no. 7, p. 1183, jun. 2022, doi: https://doi.org/10.3390/healthcare10071183.
A. Bello, S. C. Ng, y M. F. Leung, “Skin Cancer Classification Using Fine-Tuned Transfer Learning of DENSENET-121,” Applied Science, vol. 14, no. 17, p. 7707, ago. 2024, doi: https://doi.org/10.3390/app14177707.
O. Akinrinade y C. Du, “Skin cancer detection using deep machine learning techniques,” IntelligenceBased Medicine, vol. 11, p. 100191, 2025, doi: https://doi.org/10.1016/j.ibmed.2024.100191.
A. T. Ibrahim, M. Abdullahi, A. F. Donfack Kana, M. T. Mohammed, y I. H. Hassan, “Categorical classification of skin cancer using a weighted ensemble of transfer learning with test time augmentation Aliyu,” Data Sci. Manag., vol. 8, no. 2, pp. 174-184, jun. 2025, doi: https://doi.org/10.1016/j.dsm.2024.10.002.
S. A. Alshawi y G. F. K. AI Musawi, “Skin Cancer Image Detection and Classification by CNN based Ensemble Learning,” IJACSA, vol. 14, no. 5, 2023, doi: https://doi.org/10.14569/IJACSA.2023.0140575.
