El cáncer sigue siendo uno de los mayores desafíos de salud a nivel mundial debido a sus altas tasas de mortalidad y al conocimiento todavía limitado sobre su progresión. El diagnóstico temprano es fundamental para mejorar los resultados en los pacientes, especialmente en el caso del cáncer de piel, donde una detección oportuna puede aumentar significativamente las tasas de recuperación. El análisis histopatológico es un método diagnóstico ampliamente utilizado, pero se trata de un proceso lento y altamente dependiente de la experiencia de especialistas altamente capacitados. Los avances recientes en Inteligencia Artificial han mostrado resultados prometedores en clasificación de imágenes, lo que resalta su potencial como herramienta de apoyo para el diagnóstico médico. En este estudio, exploramos la aplicación de modelos híbridos de Inteligencia Artificial para el diagnóstico de melanoma utilizando imágenes histopatológicas. El conjunto de datos empleado consistió en 506 imágenes histopatológicas, de las cuales se seleccionaron 313 imágenes depuradas tras un control de calidad y un proceso de preprocesamiento. Proponemos un marco de trabajo en dos etapas que utiliza un Autoencoder para la reducción de dimensionalidad y la extracción de características de las imágenes, seguido de un algoritmo de clasificación para distinguir entre melanoma y nevo, entrenado sobre los vectores de características extraídos del cuello de botella (bottleneck) del Autoencoder. Evaluamos Máquinas de Vectores de Soporte (SVM), Random Forest, Perceptrón Multicapa (MLP) y K-Nearest Neighbours (K-NN) como clasificadores. Entre ellos, las combinaciones de Autoencoder con K-Nearest Neighbours lograron el mejor rendimiento y tiempo de inferencia, alcanzando una precisión media de aproximadamente 97,95% en el conjunto de prueba y requiriendo 3,44 minutos por diagnóstico. Los resultados de comparación con la línea base fueron consistentes, demostrando una fuerte capacidad de generalización y superando al resto de modelos entre 2 y 13 puntos porcentuales.
Cancer remains one of the most significant global health challenges due to its high mortality rates and the limited understanding of its progression. Early diagnosis is critical to improving patient outcomes, especially in skin cancer, where timely detection can significantly enhance recovery rates. Histopathological analysis is a widely used diagnostic method, but it is a time-consuming process that heavily depends on the expertise of highly trained specialists. Recent advances in Artificial Intelligence have shown promising results in image classification, highlighting its potential as a supportive tool for medical diagnosis. In this study, we explore the application of hybrid Artificial Intelligence models for melanoma diagnosis using histopathological images. The dataset used consisted of 506 histopathological images, from which 313 curated images were selected after quality control and preprocessing. We propose a two-step framework that employs an Autoencoder for dimensionality reduction and feature extraction of the images, followed by a classification algorithm to distinguish between melanoma and nevus, trained on the extracted feature vectors from the bottleneck of the Autoencoder. We evaluated Support Vector Machines, Random Forest, Multilayer Perceptron, and K-Nearest Neighbours as classifiers. Among these, the combinations of Autoencoder with K-Nearest Neighbours achieved the best performance and inference time, reaching an average accuracy of approximately 97.95% on the test set and requiring 3.44 min per diagnosis. The baseline comparison results were consistent, demonstrating strong generalisation and outperforming the other models by 2 to 13 percentage points.
Articulo publicado por nuestro centro de investigación CEIEC
