Sistema de IA de aprendizaje multitarea para ayudar en el diagnóstico de CBC con doble explicación

Por qué esto importa para la salud cutánea cotidiana

El cáncer de piel es el cáncer más común en todo el mundo, y el carcinoma basocelular es su forma más frecuente. A medida que la telemedicina se expande, los médicos de atención primaria envían más fotos de la piel a especialistas hospitalarios que nunca, generando largas colas y demoras. Este estudio presenta una herramienta de inteligencia artificial que no solo detecta posibles carcinomas basocelulares en estas imágenes, sino que además muestra a los médicos por qué llegó a esa conclusión, lo que facilita confiar en ella y usarla en entornos clínicos reales.

Cómo viajan hoy las fotos de la piel a través de la telemedicina

En muchas regiones, los médicos de familia usan la teledermatología para enviar imágenes en primer plano de la piel a dermatólogos hospitalarios. Estos expertos buscan un conjunto de pistas visuales, como ciertas formas, colores y patrones de vasos sanguíneos, para decidir si una lesión es un carcinoma basocelular o algo inocuo. Aunque las reglas básicas son bien conocidas, cada caso puede verse bastante diferente, y los especialistas deben revisar un volumen creciente de imágenes procedentes de muchas clínicas, lo que ralentiza la atención y tensiona el sistema.

Convertir las reglas de los expertos en un asistente útil

Los investigadores diseñaron un sistema de IA que sigue la misma lógica que usan los especialistas. Busca siete patrones visuales clave en cada imagen dermoscópica, como ulceración o formas en hoja, y también comprueba un patrón que indica que la lesión probablemente no es un carcinoma basocelular. En lugar de limitarse a decir “cáncer” o “no cáncer”, la herramienta informa qué patrones detecta y luego aplica reglas simples basadas en la práctica dermatológica para declarar si una lesión es probablemente cancerosa o no. Este enfoque hace que el razonamiento del ordenador sea más fácil de entender.

Entrenar el sistema con muchas opiniones

Para enseñar a la IA, el equipo usó 1.559 imágenes cutáneas recogidas en 60 centros de atención primaria en Andalucía, además de imágenes no cancerosas adicionales de un archivo público. Cuatro dermatólogos marcaron cuáles de los siete patrones veían en cada lesión, pero no existe una referencia perfecta para estos patrones fines y los especialistas a menudo discrepan. Los investigadores utilizaron un método estadístico para fusionar estas diferentes opiniones en una única etiqueta de consenso por imagen, capturando el juicio compartido del grupo y reduciendo el sesgo individual.

Qué aprendió la IA a hacer

El núcleo del sistema es una red de reconocimiento de imágenes compacta adaptada de una arquitectura móvil conocida. Se entrena para realizar dos tareas a la vez: separar carcinomas basocelulares de otras lesiones y detectar los patrones visuales que respaldan esa decisión. Para manejar patrones raros y un conjunto de datos desequilibrado, el equipo aplicó técnicas como funciones de pérdida avanzadas, aumento de datos y validación cruzada cuidadosa. El resultado es un modelo que clasifica correctamente las lesiones como carcinoma basocelular o no en alrededor del 90% de los casos y que además funciona bien al identificar los patrones visuales cruciales que guían esa decisión.

Ver dónde está mirando la IA

Más allá de las listas de patrones, el sistema proporciona mapas de color que resaltan las regiones de la imagen más responsables de su decisión. Para comprobar si estos mapas realmente coinciden con el razonamiento clínico, los dermatólogos delinearon cuidadosamente las áreas de los patrones en cientos de imágenes. Los investigadores compararon entonces las zonas resaltadas por la IA con estos contornos y encontraron que la mayor parte de la “atención” del modelo cae dentro de las mismas regiones que los expertos consideran importantes. En casi todos los casos positivos para cáncer se identificó correctamente al menos un patrón relevante, y en la mayoría de los casos no cancerosos se respetó la regla del patrón “seguro” esperada.

Qué significa esto para pacientes y médicos

En conjunto, los resultados muestran que una herramienta de IA compacta puede ayudar a clasificar lesiones cutáneas en teledermatología al tiempo que ofrece razones claras y clínicamente significativas para sus elecciones. No reemplaza a los dermatólogos, pero puede señalar qué casos deben verse primero y mostrar las pistas visuales detrás de sus alertas. Dado que el sistema funciona en hardware ligero y refleja el razonamiento de los especialistas, es adecuado para un despliegue rápido en redes de atención primaria, con potencial para acelerar el diagnóstico, apoyar el aprendizaje y aumentar la confianza en la atención al cáncer de piel asistida por IA.

Cita: Matas, I., Serrano, C., Silva-Clavería, F. et al. MultiTask learning AI system to assist BCC diagnosis with dual explanation. Sci Rep 16, 15652 (2026). https://doi.org/10.1038/s41598-026-40229-8

Palabras clave: carcinoma basocelular, teledermatología, IA explicable, imagen de lesiones cutáneas, dermoscopia