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

Abstract

[spa] Antecedentes: La clasificación automática de imágenes es una rama prometedora del aprendi-zaje automático (de sus siglas en inglés Machine Learning [ML]), y es una herramienta útil enel diagnóstico de cáncer de piel. Sin embargo, poco se ha estudiado acerca de las limitacionesde su uso en la práctica clínica diaria.Objetivo: Determinar las limitaciones que existen en cuanto a la selección de imágenes usadaspara el análisis por ML de las neoplasias cutáneas, en particular del melanoma.Métodos: Se dise ̃nó un estudio de cohorte retrospectivo, donde se incluyeron de forma conse-cutiva 2.849 imágenes dermatoscópicas de alta calidad de tumores cutáneos para su valoraciónpor un sistema de ML, recogidas entre los a ̃nos 2010 y 2014. Cada imagen dermatoscópica fueclasificada según las características de elegibilidad para el análisis por ML.Resultados: De las 2.849 imágenes elegidas a partir de nuestra base de datos, 968 (34%) cum-plieron los criterios de inclusión. De los 528 melanomas, 335 (63,4%) fueron excluidos. Laausencia de piel normal circundante (40,5% de todos los melanomas de nuestra base de datos)y la ausencia de pigmentación (14,2%) fueron las causas más frecuentes de exclusión para elanálisis por ML.Discusión: Solo el 36,6% de nuestros melanomas se consideraron aceptables para el análisispor sistemas de ML de última generación. Concluimos que los futuros sistemas de ML deberánser entrenados a partir de bases de datos más grandes que incluyan imágenes representativasde la práctica clínica habitual. Afortunadamente, muchas de estas limitaciones están siendosuperadas gracias a los avances realizados recientemente por la comunidad científica, como seha demostrado en trabajos recientes. [eng] Background: Automated image classification is a promising branch of machine learning (ML)useful for skin cancer diagnosis, but little has been determined about its limitations for generalusability in current clinical practice.Objective: To determine limitations in the selection of skin cancer images for ML analysis,particularly in melanoma.Methods: Retrospective cohort study design, including 2,849 consecutive high-quality dermos-copy images of skin tumors from 2010 to 2014, for evaluation by a ML system. Each dermoscopyimage was assorted according to its eligibility for ML analysis.Results: Of the 2,849 images chosen from our database, 968 (34%) met the inclusion criteriafor analysis by the ML system. Only 64.7% of nevi and 36.6% of melanoma met the inclusioncriteria. Of the 528 melanomas, 335 (63.4%) were excluded. An absence of normal surroundingskin (40.5% of all melanomas from our database) and absence of pigmentation (14.2%) were themost common reasons for exclusion from ML analysis.Discussion: Only 36.6% of our melanomas were admissible for analysis by state-of-the-art MLsystems. We conclude that future ML systems should be trained on larger datasets which includerelevant non-ideal images from lesions evaluated in real clinical practice. Fortunately, many ofthese limitations are being overcome by the scientific community as recent works show.