DermaScanAI, un marco híbrido de aprendizaje profundo explicable para la clasificación automatizada de lesiones cutáneas mediante atención dual y fusión de metadatos

Por qué importan las revisiones de lunares más inteligentes

El cáncer de piel es uno de los cánceres más comunes y detectarlo pronto puede salvar vidas. Sin embargo, muchas personas esperan meses o años antes de revisar un lunar sospechoso, e incluso los médicos experimentados pueden tener dificultades para juzgar casos complejos. Este estudio presenta DermaScanAI, un sistema informático diseñado para ayudar a los médicos a distinguir manchas inocuas de las peligrosas mediante el análisis de imágenes cutáneas detalladas y datos básicos del paciente, mostrando además de forma clara qué "observó" para llegar a su decisión.

Enseñar a los ordenadores a leer imágenes de la piel

Los dermatólogos suelen usar un dispositivo de mano llamado dermatoscopio para capturar imágenes en primer plano de lunares y otras manchas. Estas imágenes revelan pequeños patrones de color y textura que pueden indicar cáncer, pero también están llenas de distracciones como vello, iluminación desigual y variaciones de cámara. DermaScanAI empieza limpiando las imágenes: elimina digitalmente los vellos, iguala brillo y color, y magnifica la zona de la lesión hasta un tamaño estándar. El sistema luego amplía los datos mediante volteos, rotaciones y ligeros cambios de color para que el ordenador vea muchas variaciones realistas de cada lesión, lo que le ayuda a manejar mejor la diversidad del mundo real.

Ver tanto el detalle fino como el panorama general

Muchas herramientas informáticas previas para el cáncer de piel se centraban solo en patrones locales pequeños o únicamente en la forma general, lo que puede provocar confusión cuando lesiones muy diferentes se parecen en ciertos detalles. DermaScanAI combina dos tipos de reconocimiento de patrones para evitar este problema. Primero, una red convolucional moderna, un tipo de motor de procesamiento de imágenes, extrae detalles finos como bordes, puntos de color y textura en varias escalas, desde parches minúsculos hasta regiones mayores. Sobre esto, módulos de atención especiales ayudan al sistema a "subir el volumen" en los canales de color y zonas de imagen más informativos, mientras atenúan regiones de fondo poco útiles.

Añadir contexto global y pistas del paciente

Tras centrarse en las regiones de imagen más importantes, DermaScanAI pasa las características refinadas a un módulo transformer ligero. Esta parte del modelo es buena enlazando partes distantes de la imagen, de modo que puede relacionar el centro de un lunar con su borde y la piel circundante. Al mismo tiempo, el sistema incorpora información simple del paciente, como edad, sexo y ubicación corporal de la lesión. Estas pistas reflejan la práctica clínica real, donde una mancha oscura en la pierna de una persona joven puede conllevar un riesgo distinto que una mancha similar en la espalda de una persona mayor. Al fusionar las características de la imagen con estos datos básicos antes de tomar una decisión, el modelo imita cómo un dermatólogo piensa en el contexto.

Tomar decisiones que los médicos puedan inspeccionar

Una barrera importante para usar inteligencia artificial en clínicas es que muchos sistemas parecen cajas negras. Para afrontar esto, DermaScanAI incluye un módulo de explicabilidad. Usando una técnica llamada Grad-CAM++, produce mapas de calor que destacan qué partes de la lesión influenciaron más su decisión; otro método, SHAP, estima cuánto aportó cada dato, incluidos los metadatos del paciente, para inclinar el resultado hacia un diagnóstico u otro. Cuando estos mapas de calor se superponen sobre las imágenes originales y se comparan con contornos de lesión dibujados por expertos, muestran una fuerte coincidencia, lo que sugiere que el sistema se centra en regiones médicamente relevantes en lugar de ruido aleatorio.

Qué tan bien funciona el sistema

Los investigadores probaron DermaScanAI en HAM10000, una gran colección pública de más de 10.000 imágenes dermoscópicas que cubren siete tipos de lesiones cutáneas, incluyendo melanoma, lunares comunes y varias condiciones benignas. Tras el entrenamiento y una comprobación cruzada cuidadosa con múltiples particiones de datos, el modelo alcanzó aproximadamente un 94,8% de precisión global, una puntuación F1 macro media cercana al 92% y un área bajo la curva ROC de 0,962, lo que indica una fuerte capacidad para separar tipos de lesiones. También mantuvo una precisión razonable cuando se entrenó con solo una fracción de los datos y compitió favorablemente con otros sistemas líderes basados únicamente en redes convolucionales o transformers, usando además menos recursos computacionales.

Qué significa esto para futuras revisiones de la piel

En términos sencillos, este trabajo muestra que un modelo informático diseñado con cuidado puede clasificar distintos tipos de lesiones cutáneas con alta fiabilidad, usar información básica del paciente para afinar su juicio y mostrar a los médicos exactamente dónde está "mirando" en la piel. DermaScanAI no es todavía una herramienta diagnóstica autónoma: aún necesita pruebas en muchos hospitales, con distintas cámaras y grupos de pacientes antes de respaldar decisiones clínicas reales. Pero ofrece un plano claro para futuros auxiliares contra el cáncer de piel que sean tanto precisos como transparentes, ayudando potencialmente a los médicos a detectar lesiones peligrosas antes y dando a pacientes y clínicos más confianza en cómo se toman esas decisiones.

Cita: Murali, P., Mazumder, D.H. DermaScanAI an explainable hybrid deep learning framework for automated skin lesion classification using dual attention and metadata fusion. Sci Rep 16, 15130 (2026). https://doi.org/10.1038/s41598-026-46011-0

Palabras clave: cáncer de piel, dermoscopia, aprendizaje profundo, IA en imágenes médicas, IA explicable