Clasificación de lesiones en la piel utilizando redes neuronales convolucionales
El presente proyecto de
investigación propone el desarrollo e implementación de un sistema de
apoyo al diagnóstico médico para la clasificación automática de lesiones
cutáneas, con especial foco en la detección temprana del cáncer de
piel, utilizando Redes Neuronales Convolucionales (CNN). La incidencia
global del cáncer de piel, particularmente el melanoma, continúa en
aumento, y su pronóstico está directamente ligado a una detección
precoz. Sin embargo, el diagnóstico visual presenta desafíos debido a la
subjetividad y la variabilidad inter-observador, lo que puede generar
errores y demoras.
El
objetivo principal es diseñar, entrenar y validar un modelo de CNN capaz
de clasificar imágenes dermatoscópicas en diferentes categorías de
lesiones (ej. melanoma, carcinoma basocelular, nevus melanocítico
benigno, queratosis seborreica). La metodología seguirá un pipeline de
aprendizaje profundo robusto. Inicialmente, se recopilará y curará un
conjunto de datos de imágenes dermatoscópicas de acceso público, como el
ISIC Archive, que será preprocesado (redimensionamiento, normalización,
aumento de datos) para mejorar el entrenamiento del modelo.
Se
evaluarán arquitecturas de CNN pre-entrenadas (como ResNet,
EfficientNet o DenseNet) mediante transfer learning, aprovechando el
conocimiento adquirido en bases de datos masivas como ImageNet. Esto
permitirá un entrenamiento eficiente incluso con conjuntos de datos
médicos de tamaño limitado. El modelo será entrenado, validado y puesto a
prueba con métricas de desempeño rigurosas, incluyendo precisión,
sensibilidad, especificidad y el área bajo la curva ROC (AUC).
El
resultado esperado es un prototipo de software que funcione como una
herramienta de asistencia, capaz de analizar una imagen de entrada y
proporcionar al dermatólogo una clasificación preliminar con un nivel de
confianza asociado. Se espera que este sistema contribuya a reducir la
subjetividad en la evaluación inicial, priorizando casos sospechosos y
agilizando el proceso de derivación y tratamiento.
En
conclusión, este proyecto busca demostrar el potencial de la
inteligencia artificial como aliada en la dermatología, ofreciendo una
solución tecnológica innovadora que puede impactar positivamente en la
salud pública al mejorar la precisión y accesibilidad del diagnóstico de
lesiones cutáneas potencialmente malignas.
El proyecto se ejecutará en un
plazo estimado de 10 meses, siguiendo un plan secuencial organizado en
cinco fases principales. Cada fase define responsabilidades y resultados
concretos (entregables) para garantizar el avance sistemático del
proyecto.
Fase 1: Revisión Bibliográfica y Definición de Requerimientos (Mes 1)
- Responsabilidades: Realizar una revisión exhaustiva de la literatura científica sobre clasificación de imágenes dermatológicas con CNN, arquitecturas de modelos y métricas de evaluación. Definir los requisitos técnicos y funcionales del sistema.
- Entregable: Documento de revisión bibliográfica y especificación de requerimientos.
Fase 2: Adquisición y Preprocesamiento del Conjunto de Datos (Meses 2-3)
- Responsabilidades: Identificar y recopilar conjuntos de datos públicos de referencia (ej. ISIC Archive). Realizar la curación, limpieza y preprocesamiento de las imágenes, incluyendo técnicas de aumento de datos (rotaciones, volteos, cambios de brillo) para aumentar la robustez del modelo.
- Entregable: Conjunto de datos final, dividido en entrenamiento, validación y prueba, documentado y listo para su uso.
Fase 3: Diseño, Entrenamiento y Optimización de Modelos (Meses 4-7)
- Responsabilidades: Implementar y adaptar arquitecturas de CNN pre-entrenadas (ResNet, EfficientNet) usando transfer learning. Realizar el entrenamiento de los modelos, ajustando hiperparámetros (tasa de aprendizaje, optimizadores) y aplicando técnicas para evitar sobreajuste (dropout, regularización). Esta fase es iterativa.
- Entregable: Modelos de CNN entrenados y un informe de evaluación comparativa de su rendimiento en el conjunto de validación.
Fase 4: Evaluación Exhaustiva y Análisis de Resultados (Mes 8)
- Responsabilidades: Evaluar el modelo seleccionado con el conjunto de prueba, utilizando métricas robustas (precisión, sensibilidad, especificidad, AUC). Analizar cualitativamente los casos de éxito y error, y realizar interpretabilidad (ej. mapas de calor Grad-CAM) para entender las decisiones del modelo.
- Entregable: Informe final de evaluación con análisis cuantitativo y cualitativo de los resultados.
Fase 5: Redacción de la Memoria Técnica y Difusión (Meses 9-10)
- Responsabilidades:Consolidar toda la información, metodología y resultados en
20
Atoany Nazareth Fierro Radilla
afierror@tec.mx
Inteligencia Artificial
Redes neuronales convolucionales
Aprendizaje automático
