Uso del aprendizaje automático en el diagnóstico del melanoma. Limitaciones por superar

Resumen Antecedentes La clasificacion automatica de imagenes es una rama prometedora del aprendizaje automatico (de sus siglas en ingles Machine Learning [ML]), y es una herramienta util en el diagnostico de cancer de piel. Sin embargo, poco se ha estudiado acerca de las limitaciones de su uso en la practica clinica diaria. Objetivo Determinar las limitaciones que existen en cuanto a la seleccion de imagenes usadas para el analisis por ML de las neoplasias cutaneas, en particular del melanoma. Metodos Se diseno un estudio de cohorte retrospectivo, donde se incluyeron de forma consecutiva 2.849 imagenes dermatoscopicas de alta calidad de tumores cutaneos para su valoracion por un sistema de ML, recogidas entre los anos 2010 y 2014. Cada imagen dermatoscopica fue clasificada segun las caracteristicas de elegibilidad para el analisis por ML. Resultados De las 2.849 imagenes elegidas a partir de nuestra base de datos, 968 (34%) cumplieron los criterios de inclusion. De los 528 melanomas, 335 (63,4%) fueron excluidos. La ausencia de piel normal circundante (40,5% de todos los melanomas de nuestra base de datos) y la ausencia de pigmentacion (14,2%) fueron las causas mas frecuentes de exclusion para el analisis por ML. Discusion Solo el 36,6% de nuestros melanomas se consideraron aceptables para el analisis por sistemas de ML de ultima generacion. Concluimos que los futuros sistemas de ML deberan ser entrenados a partir de bases de datos mas grandes que incluyan imagenes representativas de la practica clinica habitual. Afortunadamente, muchas de estas limitaciones estan siendo superadas gracias a los avances realizados recientemente por la comunidad cientifica, como se ha demostrado en trabajos recientes.