El melanoma es un tipo de cáncer de piel que, como otros tipos de cánceres, debe detectarse en etapas tempranas para aumentar las probabilidades de supervivencia del paciente. Sólo en Europa se detectan cien mil nuevos casos cada año, y la detección y clasificación del avance del melanoma hace que la tasa de supervivencia varíe del 99 al 15 por ciento de los pacientes. A día de hoy, el diagnóstico consiste en una inspección visual por un dermatólogo, quién decide realizar una biopsia posterior para confirmar que se ha producido el tumor y medir el grosor de éste, parámetro esencial para estimar la gravedad de la enfermedad, pronóstico y márgenes de escisión quirúrgica.
Investigadores de las Universidades de Córdoba, Sevilla y Loyola Andalucía han desarrollado un sistema basado en técnicas de visión artificial y de aprendizaje automático para clasificar melanomas a partir de imágenes dermatoscópicas, con la intención de evitar de esta manera la necesidad de una técnica invasiva, como es la biopsia, o al menos servir como complemento a ella, ya que para la medición del grosor del melanoma la biopsia debe realizarse exactamente en el punto de mayor profundidad de éste. Un dermatoscopio es básicamente una lente que aumenta la lesión junto con un sistema de iluminación especial.
El sistema desarrollado extrae 80 características de las imágenes que describen aspectos relacionados con textura, forma y variaciones de colores, que varían en las diferentes etapas del melanoma. Con estas características, los investigadores han utilizado técnicas de inteligencia computacional para crear modelos matemáticos que aprendan a distinguir entre lesiones benignas y melanomas, y clasificar estos últimos en función de su grosor.
Este método supone un avance en la detección temprana de melanomas, muy relacionada con la supervivencia de los pacientes, y especialmente útil en entornos como los rurales, donde los pacientes deben trasladarse para acudir a un dermatólogo. El trabajo inicial ha sido publicado en la prestigiosa revista IEEE Transactions on Medical Imaging, y nuevas propuestas han sido enviadas para exponerse en congresos internacionales.
En la actualidad, el equipo trabaja en mejorar la precisión del sistema lo que implica necesariamente la obtención de más datos de pacientes. Para ello, trabajarán en establecer proyectos con profesionales, organizaciones y entidades.
Sáez, A.; Sánchez-Monedero, J.; Gutiérrez, P.A.; Hervás-Martínez, C., Machine learning methods for binary and multiclass classification of melanoma thickness from dermoscopic images, IEEE Transactions on Medical Imaging, 2015, DOI: 10.1109/TMI.2015.2506270
Sánchez-Monedero, J.; Sáez, A.; Pérez Ortiz, M.; Gutierrez, P.A.; Hervás-Martínez, C; Classification of melanoma presence and thickness based on computational image analysis, Aceptado en el congreso Hybrid Artificial Intelligence Systems (HAIS 2016)
