Melan-Dx: un marco vision‑language enriquecido con conocimiento que mejora el diagnóstico diferencial de la patología de neoplasias melanocíticas

Por qué importa un diagnóstico de melanoma más inteligente

El melanoma, una forma peligrosa de cáncer de piel, a menudo puede curarse si se detecta pronto, pero solo si los médicos que examinan las muestras de tejido al microscopio lo reconocen correctamente. Desafortunadamente, incluso los especialistas experimentados a veces discrepan sobre lo que ven, especialmente en crecimientos limítrofes que parecen casi, pero no del todo, malignos. Este artículo describe Melan‑Dx, un nuevo sistema de inteligencia artificial (IA) que pretende apoyar a los expertos en cáncer de piel combinando miles de imágenes microscópicas etiquetadas por especialistas con conocimiento médico estructurado, ofreciendo diagnósticos más rápidos, coherentes y transparentes.

Construyendo un atlas rico de imágenes de tumores cutáneos

El primer paso fue reunir un «atlas» de alta calidad de tumores melanocíticos—la amplia familia de lesiones que incluye lunares inofensivos y melanomas potencialmente mortales. Dermatopatólogos de la Universidad de Pensilvania seleccionaron y etiquetaron cuidadosamente 2.893 imágenes de microscopio que cubren 44 tipos diferentes de lesiones melanocíticas, desde nevos benignos comunes hasta melanomas raros y agresivos. Cada imagen se centra en una región de interés y se integra en una jerarquía de tres niveles basada en las clasificaciones tumorales de la Organización Mundial de la Salud (OMS), agrupando las enfermedades primero por categoría amplia, luego por subtipo y finalmente por diagnóstico específico. Esta disposición estructurada refleja la forma en que los especialistas piensan sobre estas lesiones en la práctica diaria.

Enseñar a la IA con conocimiento médico, no solo con píxeles

Melan‑Dx va más allá de la típica IA basada solo en imágenes al emparejar las fotografías con descripciones textuales extraídas de fuentes médicas autorizadas. Para cada tipo de enfermedad, el equipo compiló entradas cortas y estructuradas que describen lo que los patólogos buscan—como la forma celular, el patrón de crecimiento y los resultados de tinciones especiales—y cómo esas características distinguen una lesión de otra. Un modelo de lenguaje grande ayudó a organizar esta información, pero expertos humanos la revisaron para garantizar su exactitud. Juntas, las imágenes y los textos se convierten en «embeddings» numéricos y se almacenan en una base de datos consultable. Esto permite que la IA no solo reconozca patrones visuales, sino que también los vincule a criterios diagnósticos explícitos, de forma similar a un médico que consulta un manual ilustrado bien indexado.

Cómo razona el sistema Melan‑Dx sobre un caso nuevo

Cuando Melan‑Dx examina una nueva imagen de biopsia, la procesa mediante dos ramas coordinadas. En la rama de imagen, un modelo visual codifica la fotografía y recupera los ejemplos más similares del atlas, dando énfasis a los que mejor coinciden y combinándolos en una representación mejorada. En la rama de conocimiento, la misma imagen se usa para extraer los fragmentos de texto más relevantes que describen los diagnósticos posibles. Módulos «expertos» especiales para cada tipo de enfermedad ponderan qué imágenes de referencia y entradas de conocimiento son las más importantes, y bloques de fusión combinan esas pistas. El sistema se entrena de modo que, para un diagnóstico correcto, las representaciones mejoradas de imagen y texto queden alineadas, mientras que las parejas no coincidentes se separen. Este aprendizaje contrastivo ayuda a la IA a distinguir docenas de tipos tumorales sutilmente distintos manteniéndose anclada en el conocimiento médico.

Probando precisión, seguridad y eficiencia

Los investigadores compararon luego Melan‑Dx con varios de los principales modelos de IA en patología en múltiples tareas. Para la pregunta básica «¿melanoma o no?», Melan‑Dx alcanzó hasta un 87% de precisión, superando tanto a modelos ligeramente adaptados como a los totalmente reentrenados. En una clasificación más exigente de 40 vías que abarcaba muchos subtipos de melanoma y lunares, llegó a casi un 70% de precisión en la primera opción y a más del 87% cuando se le permitieron tres opciones, superando de nuevo a enfoques competidores. El sistema también respetó la jerarquía de enfermedades: cuando se equivocó, tuvo más probabilidades de confundir condiciones estrechamente relacionadas que de mezclar categorías benignas y malignas, lo que refleja mejor los riesgos reales en clínica. En imágenes de portaobjetos completos—escaneos digitales grandes de secciones enteras de tejido—Melan‑Dx mejoró la detección de cáncer tanto cuando los datos de entrenamiento eran escasos como cuando había muchos ejemplos disponibles, y lo hizo reduciendo el tiempo de entrenamiento casi entre un 90% y 97% porque el modelo visual central no necesita reentrenarse.

Qué significa esto para pacientes y médicos

Para los pacientes, la promesa de Melan‑Dx no es un médico robot omnisciente, sino una segunda opinión más inteligente que puede ayudar a reducir melanomas pasados por alto y alarmas innecesarias por sobrediagnóstico. Para los clínicos, el sistema ofrece no solo una etiqueta sino también evidencia: muestra casos pasados similares y los criterios escritos clave que respaldan su sugerencia, haciendo que su razonamiento sea más fácil de examinar. Aunque el trabajo actual se centra en tumores melanocíticos y depende de un conjunto de datos cuidadosamente curado de un único centro, la misma estrategia—vincular imágenes con conocimiento médico estructurado y usar la recuperación para guiar la IA—podría extenderse a muchas otras enfermedades. Como herramienta ligera y explicable diseñada para la colaboración humano‑IA, Melan‑Dx apunta hacia un futuro en el que los patólogos siguen al mando, pero están mejor equipados para ofrecer diagnósticos de cáncer de piel más precisos y oportunos.

Cita: Yao, J., Li, S., Liang, P. et al. Melan-Dx: a knowledge-enhanced vision-language framework improves differential diagnosis of melanocytic neoplasm pathology. npj Digit. Med. 9, 171 (2026). https://doi.org/10.1038/s41746-026-02357-3

Palabras clave: diagnóstico de melanoma, patología computacional, IA médica, modelos visión‑lenguaje, detección de cáncer de piel