Avances en la clasificación de la psoriasis mediante algoritmos personalizados de transferencia de aprendizaje

Por qué importa un diagnóstico cutáneo más inteligente

La psoriasis es algo más que un sarpullido persistente. Esta afección crónica de la piel puede agrietarse, sangrar, picar e incluso dañar las articulaciones, interrumpiendo el sueño, el trabajo y la vida social. Aun así, los médicos la diagnostican mayormente a simple vista, lo que puede ser lento y subjetivo, sobre todo cuando la enfermedad adopta formas diferentes según la parte del cuerpo. Este estudio explora cómo la inteligencia artificial (IA) moderna puede ayudar: entrenando programas informáticos para reconocer siete tipos distintos de psoriasis a partir de fotografías de la piel, con una precisión que rivaliza con la de los clínicos expertos y que quizá en el futuro pueda apoyarlos.

Una enfermedad, muchas caras

La psoriasis no se manifiesta igual en todas las personas. Los investigadores se centran en siete subtipos: placa (las clásicas placas escamosas), guttata (manchas pequeñas en forma de gota), psoriasis ungueal, psoriasis pustulosa (protuberancias tipo espinilla llenas de pus), psoriasis eritrodérmica (enrojecimiento extenso y ardiente), psoriasis inversa (manchas rojas y lisas en los pliegues cutáneos) y artritis psoriásica, que combina cambios en la piel con articulaciones dolorosas e inflamadas. Distinguir entre ellos es importante porque cada tipo puede requerir tratamientos distintos y señalizar riesgos diferentes. Sin embargo, los síntomas pueden solaparse entre sí y con otras enfermedades cutáneas, lo que complica el diagnóstico visual, especialmente fuera de las clínicas especializadas.

Construyendo una rica biblioteca de imágenes

Para enseñar a las máquinas a diferenciar estos subtipos, el equipo primero tuvo que reunir datos adecuados. Las colecciones públicas de imágenes cutáneas existentes raramente etiquetan el subtipo exacto de psoriasis, y algunas formas son mucho más raras que otras. Los autores reunieron 4.005 imágenes de varios repositorios médicos abiertos, incluidos ISIC, HAM10000 y DermNet. Luego clasificaron cada imagen en una de las siete categorías de psoriasis. Para evitar que el ordenador aprendiera en exceso los tipos comunes e ignorara los raros, usaron «aumento de imagen»: crear copias variadas de las fotos rotándolas, haciendo zoom y volteándolas. Este paso de balanceado hizo el conjunto de datos más equitativo entre las siete clases y ayudó a los modelos a aprender patrones robustos en lugar de memorizar unos pocos ejemplos frecuentes.

Enseñando a las máquinas a leer la piel

En lugar de empezar desde cero, los investigadores confiaron en la transferencia de aprendizaje. Tomaron tres potentes sistemas de reconocimiento de imágenes—ResNet50, InceptionResNetV2 (denominado aquí InceptionV2) e InceptionV3—originalmente entrenados con millones de fotos cotidianas, y los reajustaron con imágenes de psoriasis. Antes de introducir las fotos, estandarizaron cada una a un tamaño fijo y normalizaron los valores de los píxeles. Luego congelaron la mayor parte de las capas internas, añadieron nuevas capas «superiores» adaptadas a los siete tipos de psoriasis y entrenaron esas adiciones con su conjunto de datos curado. Compararon dos procedimientos de entrenamiento populares, los optimizadores Adam y RMSprop, para ver cuál producía un aprendizaje más fiable.

¿Qué IA aprende mejor la psoriasis?

Los tres modelos de IA pudieron reconocer los tipos de psoriasis con una precisión prometedora, pero uno destacó claramente. El modelo ResNet50 rindió razonablemente bien, clasificando correctamente alrededor de cuatro de cada cinco imágenes de prueba. InceptionV2 lo hizo mucho mejor, alcanzando aproximadamente un 97% de precisión en datos de prueba no vistos cuando se entrenó con el optimizador RMSprop. Los mejores resultados provinieron de InceptionV3, también con RMSprop: identificó correctamente el subtipo en cerca del 99% de las imágenes de prueba, y su precisión y sensibilidad (con qué frecuencia sus predicciones positivas y detecciones eran correctas) fueron igualmente altas. Las herramientas de explicación visual, que destacan las zonas de la imagen que impulsan la decisión de la IA, mostraron que el modelo se centró en regiones clínicamente relevantes de las lesiones y no en el fondo irrelevante, una señal alentadora para la futura confianza clínica.

Qué podría significar esto para los pacientes

Para las personas que viven con psoriasis, estos avances no reemplazan a un dermatólogo, pero pronto podrían ofrecer un potente segundo par de ojos. Un sistema automatizado y preciso capaz de clasificar fotos de piel en subtipos detallados podría apoyar la telemedicina, ayudar a médicos no especialistas en zonas remotas y señalar los casos complejos o graves con mayor rapidez. Los autores subrayan que su herramienta aún necesita probarse con fotos clínicas del mundo real y a través de una amplia variedad de tonos de piel y cámaras. Aun así, su trabajo muestra que una IA cuidadosamente entrenada—especialmente el modelo InceptionV3—puede distinguir de forma fiable entre siete formas de psoriasis, abriendo la puerta a un diagnóstico más rápido y consistente y, en última instancia, a cuidados más personalizados.

Cita: Lakshmi, L., Dhana Sree Devi, K., Rao, K. et al. Advancements in psoriasis classification using custom transfer learning algorithms. Sci Rep 16, 7007 (2026). https://doi.org/10.1038/s41598-026-38197-0

Palabras clave: psoriasis, imágenes de la piel, aprendizaje profundo, IA médica, clasificación de enfermedades