Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 Bº Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4938000 Int.3219 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar |ARTÍCULO ORIGINAL Rev. Methodo 2025;10(2):12-16.
ARTÍCULO ORIGINAL Rev. Methodo 2025;10(2):12-16
https://doi.org/10.22529/me.2025.10(2)03
Recibido 30 Ago. 2024 | Aceptado 21 Oct. 2024 |Publicado 07 Abr. 2025
Aplicación de inteligencia artificial como herramienta para la
optimización en el diagnóstico de melanoma
Application of artificial intelligence as a tool for optimization in
the diagnosis of melanoma
Ignacio Gutiérrez Magaldi
1
Pablo Tabares
2
, Guillermo Tabares
3
, Facundo Tabares
4
,
Susana Gómez Zanni
5
, Florencia Pascualini
5
, Mariana Papa
5
, Nahuel Cedrés
6
, Mateo
Cherasco
7
, Jorge Llanos
7
1. Universidad Católica de Córdoba. Facultad de Ciencias de la Salud. Clínica Universitaria Reina Fabiola, Servicio de Medicina Interna, Córdoba, Argentina.
Chief Medical Officer & HealthCare Training Leader Training Ground | Avedian Healthtech Solutions
2.Co Founder & Chief Operating Officer | Avedian Healthtech Solutions
3.CoFounder & Chief Executive Officer Business | Avedian Healthtech Solutions
4.Chief Financial Officer| Avedian Healthtech Solutions
5.Universidad Católica de Córdoba, Facultad de Ciencias de la Salud, Clínica Universitaria
Reina Fabiola, Servicio de Dermatología, Córdoba, Argentina.
6. Data Science Leader | Avedian Healthtech Solutions
7. Data Science | Avedian Healthtech Solutions
Correspondencia: Ignacio Gutiérrez Magaldi E-mail: ignaciogutierrezmagaldi@curf.ucc.edu.ar
Resumen
INTRODUCCIÓN: El melanoma, un cáncer de piel con creciente incidencia global, es prevalente en
regiones con poblaciones de piel clara. Su capacidad para metastatizar y la alta tasa de mortalidad resaltan
la necesidad de una detección temprana, para una intervención efectiva y potencial reducción de riesgo de
metástasis.
Estrategias como autoexámenes y revisiones dermatológicas son esenciales. La inteligencia artificial (IA)
ha emergido como una herramienta con mayor precisión y rapidez en el análisis de imágenes cutáneas.
OBJETIVOS: 1. Lograr la optimización en el diagnóstico precoz de melanoma a través de la IA como
herramienta colaborativa en dermatoscopia. 2. Determinar la exactitud diagnóstica de la Inteligencia
Artificial como herramienta en dermatoscopia vs el diagnóstico del ojo humano a través de un dermatólogo
especializado.
MATERIAL Y METODOS: Se trata de un estudio prospectivo, de cohorte de tipo transversal.
Desde Avedian desarrollamos un modelo de deep learning para la detección de melanoma.
Entrenamos el modelo con 12.000 imágenes (tamaño muestral n: 12.000 imágenes; tamaño muestral
necesario según cálculo de Machin es de 526 imágenes) obtenidas de base de datos obtenidas de la
international skin imagine collaboration, e hicimos un estudio comparativo de clasificación de imágenes de
melanomas y lunares sanos.
Por otro lado, les otorgamos 40 imágenes a 2 dermatólogos especializados en la detección de nevus y
melanomas, a los que les pedimos que clasifiquen estas imágenes según su experiencia y criterio clínico,
en forma binaria.
RESULTADOS: El estudio comparativo mostró una precisión global del modelo de deep learning por IA,
del 82.5%, con 85% para nevos y 80% para melanomas, en comparación con el sistema clasificatorio
binario de los médicos dermatólogos, (61%), con una sensibilidad del 85% y especificidad del 82%, nivel
de confianza del 95%.
12
Gutiérrez Magaldi I, Tabares P., Tabares G., Tabares F., Gómez Zanni S., Papa M., Pascualini F., Cedres N., Cherasco
M., Llanos J. Aplicación de Inteligencia Artificial como herramienta para la optimización en el diagnóstico de melanoma.
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 Bº Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4938000 Int.3219 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTÍCULO ORIGINAL Rev. Methodo 2025;10(2):12-16.
CONCLUSIÓN: La integración de la IA en la detección precoz promete avances significativos en el
diagnóstico y tratamiento del melanoma y permite optimizar las herramientas de diagnóstico precoz.
Palabras claves: melanoma, inteligencia artificial, detección precoz.
Abstract
INTRODUCTION: Melanoma, a skin cancer with increasing global incidence, is prevalent in regions with
light-skinned populations. Its ability to metastasize and high mortality rate highlight the need for early
detection, for effective intervention and potential reduction of risk of metastasis Strategies such as self-
examinations and dermatological check-ups are essential. Artificial intelligence (AI) has emerged as a tool
with greater precision and speed in the analysis of skin images.
OBJECTIVES: 1. Achieve optimization in the early diagnosis of melanoma through AI as a collaborative
tool in dermatoscopy. 2. Determine the diagnostic accuracy of Artificial Intelligence as a tool in
dermatoscopy vs. the diagnosis of the human eye through a specialized dermatologist.
MATERIAL AND METHODS: This is a prospective, cross-sectional cohort study.
At Avedian we developed a deep learning model for the detection of melanoma. We trained the model with
12,000 images (sample size n: 12,000 images; the required sample size according to Machin' s
calculation is 526 images) obtained from the database obtained from the international skin imagine
collaboration, and we carried out a comparative study of image classification of melanomas and healthy
moles. On the other hand, we gave 40 images to 2 dermatologists specialized in the detection of nevi and
melanomas, who were asked to classify these images according to their experience and clinical criteria, in
binary form.
RESULTS: The comparative study showed an overall accuracy of the AI deep learning model of 82.5%,
with 85% for nevi and 80% for melanomas, compared to the binary classification system of dermatologists,
(61%), with a sensitivity of 85% and specificity of 82%, confidence level of 95%.
CONCLUSIONS: The integration of AI in early detection promises significant advances in the diagnosis
and treatment of melanoma and allows for the optimization of early diagnosis tools.
Keywords: melanoma, artificial intelligence, early detection.
Introducción
El melanoma es una de las formas más agresivas
y mortales de cáncer de piel, conocido por su alta
capacidad de metastatizar y su elevada tasa de
mortalidad si no se detecta a tiempo. Es el tumor
cutáneo más agresivo y su incidencia aumenta
dramáticamente debido al aumento de la
exposición solar en combinación con el genotipo,
fenotipo e inmunocompetencia del paciente
1
. Su
incidencia global está en constante aumento,
especialmente en regiones con poblaciones de
piel clara. En países como Australia y Nueva
Zelanda, así como en diversas zonas de Europa y
América del Norte, la tasa de incidencia de
melanoma es particularmente alta. En América,
el melanoma también representa una
preocupación creciente. En Estados Unidos, por
ejemplo, se estima que uno de cada 38 hombres
y una de cada 50 mujeres serán diagnosticados
con melanoma en algún momento de su vida. En
América Latina, la situación varía, pero la
incidencia también muestra una tendencia
ascendente, con una notable preocupación en
países como Argentina. En Argentina, el
melanoma es la variedad menos frecuente de
cáncer de piel, pero la más grave. Su incidencia
está en aumento, lo que resalta la necesidad
urgente de mejorar las estrategias de detección
precoz para identificar la enfermedad en sus
primeras etapas, donde el tratamiento es más
eficaz y las posibilidades de supervivencia son
considerablemente mayores. El aumento en la
incidencia en estas regiones subraya la
importancia de adoptar y perfeccionar métodos
diagnósticos que faciliten la detección temprana
del melanoma, para poder intervenir de manera
más efectiva y reducir la mortalidad asociada a
esta enfermedad.
El examen físico de la piel es el primer paso en
la evaluación de lesiones cutáneas sospechosas.
Durante esta evaluación, un dermatólogo
examina visualmente la piel en busca de
anomalías como cambios en el color, tamaño,
forma o textura de los nevos (lunares) y otras
lesiones. Aunque es fundamental, el examen
físico tiene limitaciones significativas. La
precisión del diagnóstico depende en gran
medida de la experiencia y la habilidad del
médico. Las características sutiles de los
melanomas in situ, pueden pasar desapercibidas,
13
Gutiérrez Magaldi I, Tabares P., Tabares G., Tabares F., Gómez Zanni S., Papa M., Pascualini F., Cedres N., Cherasco
M., Llanos J. Aplicación de Inteligencia Artificial como herramienta para la optimización en el diagnóstico de melanoma.
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 Bº Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4938000 Int.3219 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTÍCULO ORIGINAL Rev. Methodo 2025;10(2):12-16.
especialmente en pacientes con numerosos nevos
o en lesiones que presentan cambios mínimos.
La dermatoscopia, también conocida como
microscopía de epiluminiscencia, es una técnica
que utiliza un dispositivo especializado para
examinar la piel con mayor detalle. Este método
permite observar la estructura de las lesiones
cutáneas en un nivel más profundo, revelando
patrones que no son visibles a simple vista.
Constituye una herramienta esencial en el
consultorio dermatológico, que complementa el
examen físico clínico de la piel.
Comparando imágenes dermatoscópicas
sucesivas de un nevus, podemos apreciar
cambios mucho antes de que esa inestabilidad
sea evidente. Uno de los objetivos básicos de la
dermatoscopia digital es facilitar el archivo y la
comparación de las imágenes sucesivas de los
lunares atípicos. Esto ha mejorado
significativamente la precisión diagnóstica en
comparación con el examen físico solo, ya que
puede identificar características específicas de
melanoma, como los patrones pigmentarios y la
vascularización, entre otros. Sin embargo, su
eficacia también está limitada por la capacidad
del dermatólogo para interpretar las imágenes y
por la variabilidad en las prácticas entre
diferentes profesionales
2
.
Cuando una lesión sospechosa es identificada
mediante examen físico o dermatoscopia, la
biopsia es el siguiente paso crucial para
confirmar el diagnóstico. La biopsia implica la
extracción de una muestra de tejido para su
análisis histopatológico. Hay varios tipos de
biopsias, incluyendo biopsias por escisión,
incisión y punch.
La biopsia proporciona información definitiva
sobre la presencia de melanoma y su extensión,
permitiendo su estadificación y la conducta a
seguir.
Discusión
En los últimos años, la inteligencia artificial (IA)
ha emergido como una herramienta
revolucionaria en distintas áreas, especialmente
en la medicina. La IA utiliza algoritmos de
aprendizaje automático y redes neuronales
profundas para analizar grandes volúmenes de
datos e imágenes, identificando patrones
complejos que pueden ser difíciles de detectar
por el ojo humano. Los sistemas basados en IA
pueden procesar y analizar imágenes con una
precisión notable, brindando a los médicos, en
este caso especialistas en dermatología, una
herramienta adicional para la detección temprana
de melanoma, por ende, la optimización en el
diagnóstico precoz de lesiones con sospecha de
malignidad
3
.
Una de las principales ventajas de la IA es su
capacidad para proporcionar un diagnóstico
preliminar rápido y confiable. Los algoritmos de
IA están entrenados para identificar
características sutiles en los nevus que podrían
ser pasadas por alto durante un examen físico o
dermatoscopia convencional. Por ejemplo,
pueden detectar variaciones en la coloración,
asimetrías y bordes irregulares con una precisión
superior. La IA puede analizar grandes
cantidades de datos e imágenes en poco tiempo,
lo que acelera el proceso de detección y permite
a los dermatólogos concentrarse en las lesiones
más sospechosas para un análisis más detallado.
Objetivos
1. Lograr la optimización en el diagnóstico
precoz de melanoma a través de la IA como
herramienta colaborativa en dermatoscopia
2. Determinar la exactitud diagnóstica de la
Inteligencia Artificial como herramienta en
dermatoscopia vs el diagnóstico del ojo humano
a través de un dermatólogo especializado.
Desarrollo
La detección temprana del melanoma es esencial
para reducir la morbilidad y mortalidad asociada
con esta enfermedad. Los métodos tradicionales
de diagnóstico, aunque efectivos, tienen
limitaciones que pueden afectar la precisión y la
rapidez de la detección. El examen físico, aunque
fundamental, depende en gran medida de la
habilidad del médico y puede pasar por alto
lesiones sutiles. La dermatoscopia mejora el
diagnóstico al proporcionar una visión más
detallada, pero aún requiere la interpretación
experta del dermatólogo. La biopsia, aunque
definitiva, es invasiva y puede retrasar el inicio
del tratamiento.
La IA representa una evolución significativa en
el campo del diagnóstico dermatológico. Al
proporcionar un análisis rápido y preciso de
imágenes cutáneas, la IA puede identificar
patrones que podrían ser difíciles de detectar por
métodos tradicionales. La combinación de IA
con métodos diagnósticos convencionales tiene
el potencial de mejorar significativamente la
precisión del diagnóstico y la detección temprana
de melanoma. La capacidad de la IA para
procesar grandes volúmenes de datos y ofrecer
un diagnóstico preliminar confiable facilita la
identificación rápida de lesiones sospechosas,
permitiendo una intervención oportuna y
adecuada.
14
Gutiérrez Magaldi I, Tabares P., Tabares G., Tabares F., Gómez Zanni S., Papa M., Pascualini F., Cedres N., Cherasco
M., Llanos J. Aplicación de Inteligencia Artificial como herramienta para la optimización en el diagnóstico de melanoma.
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 Bº Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4938000 Int.3219 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTÍCULO ORIGINAL Rev. Methodo 2025;10(2):12-16.
La integración de la IA en el diagnóstico de
melanoma ofrece varios beneficios importantes.
Primero, mejora la precisión diagnóstica,
reduciendo el riesgo de errores y falsos negativos
que podrían retrasar el tratamiento. Segundo,
optimiza la eficiencia del proceso de detección al
proporcionar un análisis rápido de imágenes, lo
que permite a los dermatólogos concentrarse en
casos más complejos y mejorar el manejo de la
carga de trabajo. Tercero, la IA tiene el potencial
de democratizar el acceso a diagnósticos
precisos, especialmente en áreas con recursos
limitados o en clínicas donde el acceso a
especialistas en dermatología puede ser
restringido.
Material y Método
Se trata de un estudio prospectivo, de cohorte de
tipo transversal.
Desde Avedian desarrollamos un modelo de
deep learning para la detección de melanoma.
Entrenamos el modelo con 12.000 imágenes
(tamaño muestral n: 12.000 imágenes; tamaño
muestral necesario según cálculo de Machin es
de 526 imágenes) obtenidas de base de datos
obtenidas de la internacional skin imagine
collaboration, e hicimos un estudio comparativo
de clasificación de imágenes de melanomas y
lunares sanos
4
Por otro lado, les otorgamos 40 imágenes a 2
dermatólogos especializados en la detección de
nevus y melanomas, a los que les pedimos que
clasifiquen estas imágenes según su experiencia
y criterio clínico, en forma binaria (es decir,
clasificando según la observación en melanoma
o nevus). Desde el punto de vista técnico, les
compartimos un documento de Excel en el cual
se encontraba link a cada una de las imágenes,
teniendo que completar en planilla Excel, con
sistema binario denominando a "Melanoma" (0)
o "Nevus" (1) por cada imagen según su criterio.
En el desarrollo de un modelo de inteligencia
artificial para la clasificación de lunares
dermatoscópicos, se sigue un proceso
estructurado que comprende las fases de
entrenamiento, testeo y validación. Este enfoque
garantiza la robustez y precisión del modelo en
la identificación de nevus benignos y melanomas
malignos en imágenes de piel.
Fase de Entrenamiento: Durante esta fase inicial,
el modelo se expone a un conjunto de más de 12
mil datos etiquetados que contiene imágenes de
nevus y melanomas. El objetivo principal es
permitir que el modelo aprenda características
distintivas que logren diferenciar entre nevus y
melanomas. Estas características pueden incluir
atributos visuales como tamaño, forma, simetría,
textura, distribución de colores y patrones
específicos dentro de las imágenes
dermatoscópicas. A través de algoritmos de
aprendizaje profundo, el modelo ajusta sus
parámetros internos para optimizar la capacidad
de reconocimiento y clasificación de lunares.
Fase de testeo: Para el set de testeo, se utilizaron,
un total de 1336 imágenes, que fueron
distribuidas en 50% melanoma y 50% nevus. En
este estudio, los nevus corresponden a positivos
y los melanomas a negativos. Una vez
completado el entrenamiento, se procede a la fase
de testeo. Aquí, el modelo se prueba con un
conjunto de datos separado que no ha sido
utilizado durante el entrenamiento. Este conjunto
de testeo proporciona una evaluación imparcial
del desempeño del modelo en condiciones
simuladas de aplicación real. Durante el testeo,
se calculan métricas de rendimiento como
accuracy (exactitud), specificity (especificidad),
recall (sensibilidad) y f1-score para evaluar la
capacidad del modelo para generalizar y
discriminar adecuadamente entre nevus y
melanomas.
Los resultados fueron alentadores (1): El análisis
de melanoma dio una precisión de 78.74%,
acertó 526 de un total de 668 diagnósticos de
melanomas. Para nevos un total de 83.1%, acertó
555 de un total de 668 diagnósticos de nevus.
Dando como resultado una accuracy de 80.91%,
una sensibilidad del 82,5%, especificidad de
82%, y un f1-score de 0.80. (Figura 1)
Figura 1. Matriz de confusión del set de testeo.
Fase de Validación contra humanos: Para
comparar al modelo entrenado con el ojo humano
especializado de doctores dermatólogos se
escogieron 40 resultados de melanomas y nevus,
el cual se les mostró a dos dermatólogos con
dilatada trayectoria (Dr. 1 y Dr. 2) obteniendo
resultados inferiores al modelo ya entrenado: Se
comparó el ojo humano de dos dermatólogos (Dr.
15
Gutiérrez Magaldi I, Tabares P., Tabares G., Tabares F., Gómez Zanni S., Papa M., Pascualini F., Cedres N., Cherasco
M., Llanos J. Aplicación de Inteligencia Artificial como herramienta para la optimización en el diagnóstico de melanoma.
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 Bº Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4938000 Int.3219 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTÍCULO ORIGINAL Rev. Methodo 2025;10(2):12-16.
1 y Dr. 2) contra el modelo ya entrenado.
Melanomas: el Dr. 1 tuvo una precisión del 70%
y el Dr. 2 un 45% para melanoma. El modelo de
IA tuvo 80% de accuracy en la identificación de
melanomas. Nevus: el Dr.1 tuvo una precisión de
70% y el Dr.2 un 60%, para nevus. El modelo de
IA obtuvo un 85% de aciertos en nevus.
El set de validación contiene 40 imágenes, la IA
consiguió una accuracy de 80% (16) para
melanoma, y nevus un total de 85% (17). Dando
como resultado una accuracy de 82.5%, un recall
de 85%, specificity de 80%, y un f1-score de
0.78.
Resultados
El estudio comparativo arrojó los siguientes
datos: mostró una precisión global del modelo
de deep learning por IA, del 82.5%, con 85%
para nevos y 80% para melanomas, en
comparación con el sistema clasificatorio binario
de los médicos dermatólogos, 65% y 57.5%,
respectivamente, con una sensibilidad del 85% y
especificidad del 82%.
El número de muestra poblacional necesario para
el estudio, con un nivel de confianza del 95% y
un poder estadístico del 80%, es de 526 imágenes
(según cálculo de Machín). Esto representa una
mejora del 20% en la clasificación de nevos y del
22.5% en la de melanomas, lo cual demuestra
que la IA puede alcanzar una alta precisión en la
clasificación de melanomas y nevus, subrayando
el potencial de la IA en la optimización del
diagnóstico precoz.
Conclusión
La detección precoz del melanoma es vital para
mejorar los resultados clínicos y reducir la
mortalidad. Mientras que los métodos
tradicionales de diagnóstico siguen siendo
esenciales, la incorporación de la IA ofrece una
mejora significativa en la precisión y la
eficiencia del diagnóstico. La combinación de
estas herramientas promete optimizar el proceso
de detección precoz y mejorar la atención a los
pacientes con melanoma.
Mediante este estudio demostramos que la IA
podría lograr la optimización en el diagnóstico
precoz del melanoma, con un nivel de exactitud
significativamente mayor al ojo humano de un
dermatólogo especializado, considerando a la IA
como una herramienta complementaria y no
como un reemplazo de la experiencia y el juicio
clínico del dermatólogo.
Entendemos que la colaboración entre la
medicina y la tecnología será clave para enfrentar
el desafío del melanoma y avanzar hacia una
detección más eficaz y oportuna.
Bibliografía
1- Paula A. Enz, Alicia Kowalczuk,
Ricardo Galimberti. Melanoma
(parte 2) Clínica, estadificación y
seguimiento. Artículo de Revisión.
Rev. Hosp. Ital. B.Aires Vol. 24 Nº
2, diciembre 2004.
https://www.hospitalitaliano.org.ar/
multimedia/archivos/noticias_attac
hs/47/documentos/13612_Ital2004
%202%2053-60.pdf
2- Á.Pizarro, J.L. Santiago, D.I.
Santiago. Prevención y diagnóstico
precoz del melanoma con
Dermatoscopia: una perspectiva
biológica. Actas Dermo
Sifiliográficas. 2015;106(1): 3- 6.
https://actasdermo.org/es-pdf-
S0001731014003573.
3- A.Martorell, et Al. Inteligencia
Artificial en dermatología:
¿amenaza u oportunidad? ACTAS
Dermo-Sifiliográficas 113(2022)
30-46.
4- The International Skin Imaging
Collaboration. Disponible en
https://www.isic-archive.com/
16
