Resumen de Utilidad del Machine Learning para la predicción de la microinvasión del melanoma cutáneo
Juan Carlos Hernández Rodríguez
Introducción: El melanoma es considerado una amenaza de salud pública, ya que representa más del 90% de los fallecimientos por cáncer cutáneo. El principal objetivo de la dermatoscopia es la detección precoz de melanomas, aunque la discriminación entre melanoma in situ (Mis) e invasivo (Miv) puede ser desafiante incluso para dermatólogos expertos. Los avances recientes en inteligencia artificial la convierten en una herramienta prometedora como herramienta de ayuda a la toma de decisiones diagnósticas.
Objetivo: Desarrollar y validar distintos modelos de Machine Learning para la clasificación de imágenes dermatoscópicas centrados en la predicción del índice de Breslow del melanoma cutáneo.
Material y métodos: En este trabajo, se llevaron a cabo dos experimentos. En el primer experimento, se emplearon 1.045 imágenes dermatoscópicas de melanoma de tres conjuntos de datos independientes recogidas de forma retrospectiva, para entrenar y evaluar tres modelos de Deep Transfer Learning (ResNetV2, EfficientNetB6 and InceptionV3) en imágenes dermatoscópicas para la clasificación de Mis o Miv, así como melanomas < ó ? 0,8 mm de índice de Breslow. En el segundo experimento, 1.449 imágenes etiquetadas de cuatro conjuntos de datos independientes y 2.508 imágenes no etiquetadas se utilizaron para entrenar y evaluar modelos de Machine Learning para las mismas tareas de clasificación.
Se consideraron y evaluaron modelos de aprendizaje supervisado y semisupervisado usando un ensemble Multi-Teacher mediante Knowledge Distillation empleando un esquema de validación cruzada estratificada en cinco particiones. Se llevó a cabo un análisis descriptivo y cuantitativo del rendimiento de los modelos de ambos experimentos.
Resultados: En el primer experimento, el mejor modelo para la clasificación entre Mis y Miv fue Inceptionv3 (AUC = 0,63), y ResNetV2 (AUC = 0,76) para la clasificación entre melanomas < ó ? 0,8 mm de índice de Breslow. Para esta segunda tarea, los modelos ResNetV2 (AUC = 0,76) y EfficientNetB6 (AUC = 0,75) superaron el rendimiento obtenido por el grupo de dermatólogos (AUC = 0,70). En el segundo experimento, los modelos supervisado y semisupervisado obtuvieron un AUC de 0,56 y 0,62 para la primera tarea de clasificación, así como 0,70 y 0,75 para la segunda tarea.
Conclusión: Este trabajo sienta las bases en la comparación de distintos modelos de Machine Learning de aprendizaje supervisado y semisupervisado para la predicción de la microinvasión del melanoma cutáneo a partir de imágenes dermatoscópicas. Los abordajes basados en DTL y en KD podrían ser de ayuda a la toma de decisiones, sirviendo como segunda opinión a expertos médicos. Todos los modelos evaluados obtuvieron un mejor rendimiento en cuanto al área bajo la curva, para diferenciar melanomas < ó ? 0,8 mm de espesor de Breslow, en lugar de Mis o Miv, al igual que ocurrió por parte de los lectores humanos.
