Aprendizaje federado explicable y seguro para la clasificación de cáncer de piel que protege la privacidad mediante una CNN multifor-mato ligera

Por qué importan las revisiones inteligentes del cáncer de piel

El cáncer de piel es el tipo de cáncer más común en todo el mundo, y detectarlo a tiempo puede salvar vidas. Sin embargo, un diagnóstico preciso sigue dependiendo en gran medida de especialistas que inspeccionen cuidadosamente imágenes de lunares y manchas en la piel. Muchas clínicas carecen de esa experiencia, y compartir grandes colecciones de imágenes de pacientes para entrenar mejores herramientas informáticas plantea graves problemas de privacidad. Este estudio presenta una nueva forma de permitir que los hospitales cooperen para entrenar un sistema potente de detección de cáncer de piel sin compartir nunca las imágenes sin procesar de los pacientes, y al mismo tiempo proporcionar a los médicos explicaciones visuales claras de lo que el sistema detecta.

Colaborar sin compartir secretos

La idea central es un método de entrenamiento llamado aprendizaje federado. En lugar de enviar imágenes de piel a un servidor central, cada hospital mantiene sus imágenes localmente y entrena una copia local del mismo modelo automático. Solo el «saber hacer» aprendido (actualizaciones del modelo) se envía a un servidor central, donde se combina en un modelo global mejorado y luego se devuelve a todos los hospitales. En este trabajo, los autores simulan varios hospitales cooperando de esta manera sobre un gran conjunto de datos público de lesiones cutáneas, de modo que el modelo se beneficia de casos diversos mientras las imágenes de los pacientes nunca abandonan su institución de origen.

Un lector de imágenes ligero pero agudo

Para que esta colaboración sea práctica, el equipo diseñó una nueva red neuronal convolucional multifor-mato y ligera (LWMS‑CNN). Muchos modelos de imagen populares son enormes y lentos de transmitir por las redes hospitalarias; en contraste, este modelo utiliza menos de un millón de parámetros entrenables, una fracción de lo que requieren arquitecturas conocidas. Su estructura procesa cada imagen de piel en varios niveles de detalle en paralelo, desde bordes y texturas finas hasta patrones más amplios, y luego fusiona estas pistas. Este diseño compacto demostró ser tanto preciso como eficiente, superando o igualando a modelos más pesados como ResNet y DenseNet en medidas estándar como precisión, exactitud y F1, a la vez que es mucho más pequeño y rápido —algo importante para su uso en servidores hospitalarios modestos o incluso en dispositivos en el extremo de la red.

Blindaje de privacidad mediante encriptación

Aunque el aprendizaje federado evita enviar imágenes sin procesar, las actualizaciones de modelo compartidas aún pueden filtrar información ante ataques sofisticados. Para cerrar esta brecha, los autores envuelven todo el intercambio en encriptación homomórfica, una técnica criptográfica que permite al servidor sumar y promediar actualizaciones del modelo mientras permanecen encriptadas. Los hospitales encriptan sus cambios de modelo antes de enviarlos; el servidor solo ve números cifrados, pero aun así puede calcular la actualización combinada. Solo una parte de confianza puede descifrar el resultado agregado. Las pruebas mostraron que añadir esta protección apenas afectó al rendimiento: la exactitud cayó solo unos 0,3 puntos porcentuales (de 98,62 % a 98,34 %), un pequeño coste a cambio de una privacidad muy reforzada y cumplimiento con regulaciones estrictas de datos médicos.

Abrir la caja negra para los clínicos

La alta precisión por sí sola no es suficiente en medicina; los clínicos deben entender por qué un algoritmo tomó una decisión concreta. El estudio añade por tanto herramientas de IA explicable sobre el modelo entrenado. Una herramienta, SHAP, resalta qué partes de una imagen influyeron más en una decisión, tratando cada parche de píxeles como un «jugador» en un juego de votación. Otra, Grad‑CAM, superpone un mapa de calor sobre la lesión, mostrando dónde se centró la red cuando, por ejemplo, clasificó una mancha como maligna o benigna. Juntas, estas visualizaciones permiten a los dermatólogos comprobar que el modelo está observando estructuras significativas —como bordes irregulares o variaciones de color— en lugar de pelos, artefactos de iluminación o el fondo de la piel, y examinar casos inciertos o incorrectos.

De pruebas de laboratorio a clínicas reales

El sistema federado encriptado LWMS‑CNN se entrenó y evaluó en el conjunto de datos de lesiones cutáneas HAM10000 y luego se probó en otras dos colecciones, ISIC 2019 y PAD‑UFES‑20, que difieren en cámaras, tipos de lesión y poblaciones de pacientes. Alcanzó altas exactitudes en las tres, lo que sugiere que el enfoque se generaliza bien más allá de una única fuente de datos. Los autores también exploraron escenarios más exigentes y realistas en los que diferentes «hospitales» ven mezclas distintas de casos, y compararon varias formas de combinar actualizaciones del modelo; el método estándar FedAvg fue el que mejor funcionó. Aunque los experimentos se ejecutaron en una configuración simulada de múltiples clientes en lugar de hospitales físicamente separados, los resultados muestran que un modelo compacto, entrenamiento que preserva la privacidad y explicaciones visuales claras pueden combinarse en un único marco. Para los pacientes, esto apunta hacia futuras revisiones del cáncer de piel que sean más precisas, más accesibles y más respetuosas con la privacidad, manteniendo a los médicos firmemente en el circuito.

Cita: Sayeed, A.S.M., Birahim, S.A., Ullah, M.S. et al. Explainable and secure federated learning for privacy-enhancing skin cancer classification using a lightweight multi-scale CNN. Sci Rep 16, 11414 (2026). https://doi.org/10.1038/s41598-026-41360-2

Palabras clave: detección de cáncer de piel, aprendizaje federado, privacidad de datos médicos, IA explicable, encriptación homomórfica