Impacto de la Inteligencia Artificial en el Diagnóstico Temprano y Preciso del Melanoma: Un Novedoso Aporte al diagnóstico en Dermatología

Impacto de la Inteligencia Artificial en el Diagnóstico Temprano y Preciso del Melanoma: Un Novedoso Aporte al diagnóstico en Dermatología

Autora principal: María Paz Borge Cedeño

Vol. XIX; nº 16; 646

Impact of Artificial Intelligence on Early and Accurate Diagnosis of Melanoma: An Innovative Contribution to Dermatological Diagnosis

Fecha de recepción: 29/07/2024

Fecha de aceptación: 21/08/2024

Incluido en Revista Electrónica de PortalesMedicos.com Volumen XIX. Número 16 Segunda quincena de Agosto de 2024 – Página inicial: Vol. XIX; nº 16; 646

Autora principal: Dra. María Paz Borge Cedeño. Médico general, investigadora independiente, San José, Costa Rica. https://orcid.org/0000-0001-8130-8266

Autores:

Dr. Javier Aguilar Pérez. Médico general, investigador independiente, San José, Costa Rica. https://orcid.org/0009-0003-4507-0985

Dra. María Fernanda Castillo Acuña Médico general, investigadora independiente, San José, Costa Rica.https://orcid.org/0009-0000-8875-5341

Dra. Sofía Escobar Gutiérrez. Médico general, investigadora independiente, San José, Costa Rica. https://orcid.org/0009-0002-1408-667X

Dra. Gloriana Roldán Brenes. Médico general, investigadora independiente, San José, Costa Rica.https://orcid.org/0009-0006-2048-4307

Dr. Taylor Sevilla Sevilla. Médico general, investigador independiente, San José, Costa Rica.https://orcid.org/0000-0002-2957-2286

Resumen: Este artículo analiza el uso de la IA en el diagnóstico del melanoma, un tipo agresivo de cáncer de piel. Los objetivos principales del uso de la IA en el área dermatológica incluyen; mejorar la precisión diagnóstica, reducir la realización de biopsias y proporcionar herramientas de diagnóstico en áreas con recursos limitados. Las conclusiones destacan que los sistemas de IA, especialmente las redes neuronales convolucionales (CNN), pueden igualar o superar la precisión diagnóstica de los dermatólogos, obteniendo resultados rápidos y precisos. Sin embargo, se señalan desafíos como la falta de diversidad en las bases de datos de imágenes y el sesgo en los modelos de IA, lo que subraya la necesidad de estandarización y validación de estas tecnologías para asegurar su eficacia y equivalencia en la práctica clínica.

Palabras clave: Melanoma, diagnóstico, aprendizaje profundo, inteligencia artificial, dermatología.

Abstract: This article examines the use of AI in the diagnosis of melanoma, an aggressive type of skin cancer. The primary objectives of using AI in dermatology include improving diagnostic accuracy, reducing the need for biopsies, and providing diagnostic tools in resource-limited areas. The conclusions emphasize that AI systems, especially convolutional neural networks (CNNs), can match or even surpass the diagnostic accuracy of dermatologists, delivering quick and precise results. However, challenges such as the lack of diversity in image databases and bias in AI models are noted, highlighting the need for standardization and validation of these technologies to ensure their effectiveness and equity in clinical practice.

Keywords: Melanoma, diagnosis, deep learning, artificial intelligence, dermatology.

DECLARACIÓN DE BUENAS PRÁCTICAS

Los autores de este manuscrito declaran que: todos ellos han participado en su elaboración y no tienen conflictos de intereses, la investigación se ha realizado siguiendo las pautas éticas internacionales para la investigación relacionada con la salud con seres humanos elaboradas por el Consejo de Organizaciones Internacionales de las Ciencias Médicas (CIOMS) en colaboración con la Organización Mundial de la Salud (OMS), el manuscrito es original y no contiene plagio, el manuscrito no ha sido publicado en ningún medio y no está en proceso de revisión en otra revista, han obtenido los permisos necesarios para las imágenes y gráficos utilizados, han preservado las identidades de los pacientes.

Introducción:

El melanoma es una de las formas más agresivas de cáncer de piel y ha sido objeto de intensas investigaciones debido a su creciente incidencia y alta morbi-mortalidad cuando no se diagnostica a tiempo, convirtiéndose en un problema de salud pública (1). La detección temprana de este cáncer es crucial para mejorar las tasas de supervivencia y reducir las complicaciones y la mortalidad asociadas (2). El melanoma se caracteriza por una notable heterogeneidad, tanto en sus manifestaciones clínicas como en sus alteraciones genéticas. Esta variabilidad significa que diferentes regiones del mismo tumor pueden presentar mutaciones distintas, lo que complica aún más el diagnóstico y el tratamiento efectivo (3). En este contexto, la IA ha emergido como una herramienta prometedora para el diagnóstico temprano y preciso del melanoma. La IA tiene la capacidad de analizar grandes volúmenes de datos, identificar patrones complejos y extrapolar correlaciones que podrían pasar desapercibidas para los médicos (1). Este potencial es especialmente relevante dado que el diagnóstico tradicional del melanoma, que incluye la dermatoscopía y la biopsia con evaluación dermatopatológica y estadificación, depende en gran medida de la experiencia clínica y la evaluación visual de los dermatólogos. Este enfoque, sin embargo, puede ser susceptible a errores humanos y a la variabilidad entre observadores, subrayando la necesidad de métodos más precisos y consistentes (1,4).

Esta revisión bibliográfica explora el impacto de la IA en el diagnóstico del melanoma, destacando tanto los beneficios como los desafíos que presentan estas tecnologías en el campo de la dermatología buscando profundizar en una comprensión más completa del tema, esencial para su aplicación clínica efectiva.

Metodología:

Esta revisión se centró en investigar la literatura disponible sobre los avances en el diagnóstico del melanoma utilizando herramientas de IA. Para ello, se realizó una búsqueda exhaustiva en bases de datos académicas, principalmente en PubMed. La búsqueda se llevó a cabo utilizando la siguiente cadena de búsqueda booleana: (“melanoma” OR “cáncer de piel”) AND (“avances” OR “actualización”) AND (“diagnóstico” OR “diagnóstico temprano”) AND (“Inteligencia Artificial”).

Los criterios de inclusión para la selección de los estudios fueron los siguientes: publicaciones realizadas entre 2019 y 2024, disponibilidad de texto completo y que los artículos estuvieran en inglés o español. Se excluyeron artículos publicados antes de 2019 o aquellos que no abordaran el uso de herramientas de IA en el campo de la dermatología, específicamente en el diagnóstico del melanoma.

Además, se solicitó a la biblioteca de la Universidad de Ciencias Médicas una búsqueda exhaustiva adicional para asegurar la recopilación de toda la literatura relevante. Se recopilaron un total de 30 textos completos de estudios que cumplían con los criterios de inclusión. Posteriormente, se evaluó de forma independiente la elegibilidad de estos artículos, resultando en la selección final de 15 estudios que fueron considerados más pertinentes y representativos de los avances en el uso de la IA para el diagnóstico del melanoma.

Estos estudios seleccionados fueron analizados a profundidad para identificar los beneficios, desafíos y aplicaciones clínicas de las herramientas de IA en la detección temprana y precisa del melanoma. La revisión se centró en destacar cómo estas tecnologías pueden mejorar la precisión diagnóstica, reducir la variabilidad entre observadores y contribuir a una atención médica más eficiente y efectiva.

Inteligencia artificial

La IA se refiere a la simulación de procesos cognitivos humanos por parte de sistemas computacionales, incluyendo el aprendizaje, el razonamiento y la autocorrección. En medicina, la IA se aplica a una amplia gama de tareas, desde el análisis de imágenes médicas hasta el diagnóstico de enfermedades, la personalización de tratamientos y el desarrollo de nuevos fármacos. Estas aplicaciones mejoran significativamente la precisión diagnóstica y la eficiencia de los tratamientos al permitir el análisis de grandes volúmenes de datos y la detección de patrones sutiles que podrían pasar desapercibidos para los especialistas. Por ejemplo, en radiología, la IA se utiliza para identificar anomalías en las imágenes de rayos X, y en oncología, para detectar patrones en los datos genómicos que guían la elección de tratamientos, un campo conocido como radiómica (1, 5, 6).

Las CNN son un tipo de red neuronal profunda diseñada para procesar datos estructurados, como imágenes. Son especialmente eficaces en el reconocimiento y clasificación de imágenes debido a su capacidad para aprender características jerárquicas a través de múltiples capas. El aprendizaje automático o machine learning (ML), es un subcampo de la IA que utiliza algoritmos para permitir que las máquinas aprendan de los datos sin programación explícita (7). El aprendizaje profundo o deep learning (DL), utiliza redes neuronales profundas para modelar patrones complejos en grandes conjuntos de datos. En medicina, el DL, y específicamente las CNN, han demostrado ser útiles para el análisis de imágenes médicas, superando ostensiblemente a los expertos en ciertas tareas de diagnóstico (1, 8).

El aprendizaje supervisado (AS) es un proceso donde un modelo se entrena con datos etiquetados, asociando entradas con salidas conocidas. En dermatología, esto se aplica a la clasificación de imágenes de lesiones cutáneas como benignas o malignas. Por otro lado, el aprendizaje no supervisado (ANS) identifica patrones o agrupaciones en datos sin etiquetas predefinidas, lo que es útil para descubrir nuevas categorías de enfermedades cutáneas basándose en características similares. En dermatología, el DL a través de CNN se utiliza para detectar características sutiles en imágenes dermatoscópicas, facilitando la identificación de melanomas (5, 8).

Las aplicaciones de IA en el diagnóstico de imágenes dermatológicas incluyen la clasificación precisa de lesiones cutáneas, mejorando la precisión del diagnóstico y reduciendo la necesidad de biopsias. Las CNN son fundamentales para estas aplicaciones debido a su capacidad para extraer características complejas de las imágenes, lo que permite una clasificación precisa y eficiente. También se destacan por su habilidad para automatizar la extracción de características, lo que elimina la necesidad de intervención humana y mejora la precisión y eficiencia del diagnóstico. En dermatología, las CNN han sido cruciales para el análisis de imágenes dermatoscópicas, permitiendo una clasificación precisa de melanomas y otras enfermedades cutáneas (8, 9).

El melanoma y su diagnóstico:

El melanoma es una forma de cáncer que surge a partir de la transformación maligna de los melanocitos, las células que producen el pigmento en la piel. Aunque se encuentra principalmente en la piel, también puede manifestarse raramente en áreas como la boca, los intestinos o los ojos. El melanoma cutáneo (MC) es reconocido como el tipo más agresivo y mortal de cáncer de piel. Este cáncer se desarrolla cuando el ADN en las células cutáneas sufre daños que no se reparan, generalmente debido a la exposición a la radiación ultravioleta (UVR). Estos daños pueden provocar mutaciones o defectos genéticos, lo que lleva a una rápida proliferación de las células de la piel y la formación de tumores malignos. Aunque el MC representa aproximadamente el 5% de todos los casos de cáncer de piel, es responsable de cerca del 75% de las muertes relacionadas con estos cánceres (10).

El diagnóstico tradicional del melanoma se basa en la observación clínica de lesiones cutáneas sospechosas, seguido de una biopsia para confirmar la presencia de células cancerosas. Los dermatólogos evalúan factores como el tamaño, la forma, el color y la evolución de la lesión. Sin embargo, este método puede ser subjetivo y depende en gran medida de la experiencia del clínico, lo que a veces lleva a diagnósticos tardíos o incorrectos (4). La introducción de la IA busca complementar este proceso, mejorando la precisión y reduciendo la variabilidad interobservador.

Aplicaciones clínicas en el diagnóstico de melanoma:

La IA, especialmente a través de CNN, como se mencionó anteriormente, ha demostrado ser una herramienta poderosa para la clasificación de lesiones cutáneas. En varios estudios, se ha comparado la precisión diagnóstica de estos sistemas con la de dermatólogos experimentados. Un ejemplo notable es el estudio de Esteva et al., donde se utilizó una CNN entrenada con una amplia base de datos de imágenes dermatoscópicas y clínicas. Este estudio encontró que la CNN igualaba o superaba la precisión de un grupo de dermatólogos en la identificación de melanomas, alcanzando una precisión diagnóstica del 91%, mientras que la precisión de los dermatólogos oscilaba entre el 82% y el 87% (9, 5).

Otro estudio relevante es el de Haenssle et al., que comparó la precisión de una CNN con la de 58 dermatólogos. La CNN mostró una sensibilidad del 86.6% y una especificidad del 82.5%, superando a los dermatólogos cuando sólo se les proporcionaron imágenes dermatoscópicas sin información clínica adicional. Este tipo de resultados resalta el potencial de la IA no solo para mejorar la precisión diagnóstica sino también para estandarizar el proceso de diagnóstico, reduciendo la variabilidad interobservador que puede ocurrir entre dermatólogos (11).

Además, estudios recientes han sugerido que la combinación de evaluaciones de IA con la experiencia clínica puede llevar a diagnósticos aún más precisos. Por ejemplo, la IA puede servir como una herramienta de apoyo, proporcionando una segunda opinión y destacando casos donde la probabilidad para los médicos de cometer un error clínico es alta. Esto no solo mejora la precisión sino que también ayuda a mitigar el sesgo humano en el diagnóstico (12).

El estudio mencionado elaborado por de Esteva et al. (2017) fue uno de los primeros en demostrar que una CNN entrenada con un gran número de imágenes clínicas puede clasificar lesiones cutáneas con una precisión comparable o superior a la de dermatólogos (9). La CNN fue entrenada con más de 129,000 imágenes de 2,032 enfermedades diferentes, alcanzando una precisión diagnóstica notable en la clasificación de melanomas y queratosis seborreicas. Este estudio marcó un hito al demostrar el potencial de la IA para servir como una herramienta de diagnóstico complementaria en la dermatología (5).

La revisión de Stiff et al. (2022) compiló resultados de múltiples estudios que comparaban la precisión diagnóstica de sistemas de IA con la de dermatólogos. En varios de estos estudios, se encontró que las CNN no solo igualaban sino que en algunos casos superaban a los dermatólogos, especialmente en la identificación de lesiones difíciles de diagnosticar. La revisión destacó que la IA tiene el potencial de reducir significativamente el número de biopsias innecesarias, al aumentar la confianza en los diagnósticos no invasivos (1).

En el estudio de Brinker et al. (2019) se comparó el rendimiento de una CNN con el de un panel de dermatólogos en la clasificación de  imágenes dermatoscópicas. Los resultados mostraron que la CNN tuvo una precisión de diagnóstico comparable a la del panel de expertos, lo que subraya la capacidad de la IA para manejar casos complejos con una precisión elevada (5).

Estos estudios muestran una tendencia creciente hacia la adopción de tecnologías de IA en dermatología, con un enfoque particular en mejorar la precisión y la eficiencia del diagnóstico de melanoma. La implementación de IA en entornos clínicos está cada vez más respaldada por evidencia que sugiere que estas tecnologías pueden complementar y, en algunos casos, superar la capacidad de diagnóstico de los dermatólogos, especialmente en la identificación temprana de melanomas.

Ventajas de la IA en el Diagnóstico del Melanoma

La integración de la IA en el diagnóstico del melanoma ha mostrado un gran potencial para reducir la cantidad de biopsias. Los algoritmos de IA, como las CNN, pueden identificar con precisión las características de las lesiones cutáneas que son indicativas de malignidad, lo que permite a los médicos realizar diagnósticos más certeros sin recurrir a procedimientos invasivos. Al mejorar la especificidad del diagnóstico, se minimiza el riesgo de falsos positivos que podrían llevar a biopsias innecesarias, reduciendo así la carga sobre el paciente y el sistema de salud (8).

La precisión diagnóstica es uno de los mayores beneficios de la IA en dermatología. La capacidad de las CNN para procesar y analizar grandes volúmenes de datos de imágenes permite la detección de patrones sutiles que podrían pasar desapercibidos para el ojo humano. Esto no solo mejora la precisión del diagnóstico, sino que también proporciona una herramienta adicional para los dermatólogos, ayudando a corroborar sus diagnósticos y reduciendo la variabilidad interobservador. La automatización del proceso diagnóstico mediante IA no solo aumenta la precisión, sino que también mejora significativamente la eficiencia. Los algoritmos de IA pueden analizar imágenes y proporcionar diagnósticos preliminares en cuestión de segundos, lo que acelera el tiempo de respuesta y permite a los dermatólogos manejar un mayor volumen de pacientes. Esta eficiencia es particularmente valiosa en entornos clínicos con alta demanda, permitiendo un manejo más rápido y efectivo de los casos (8, 13).

Una de las ventajas más significativas de la IA es su potencial para proporcionar acceso a herramientas de diagnóstico de alta calidad en áreas con recursos limitados. En regiones donde los dermatólogos especialistas son escasos, los sistemas de IA pueden servir como una herramienta crucial para la evaluación de lesiones cutáneas. Esto permite un triaje más efectivo, asegurando que los casos sospechosos sean derivados a especialistas para una evaluación adicional. Además, la IA puede apoyar a los médicos generales en la toma de decisiones clínicas, mejorando la calidad del diagnóstico en entornos rurales o subdesarrollados. Estas ventajas demuestran cómo la IA puede mejorar significativamente el diagnóstico del melanoma, beneficiando tanto a los pacientes como a los profesionales de la salud (5).

Desafíos y Limitaciones de la IA en el Diagnóstico del Melanoma

A pesar de los avances prometedores, la IA enfrenta varios desafíos y limitaciones en el diagnóstico del melanoma. Una de las principales limitaciones radica en las bases de datos de imágenes. Muchas de las bases de datos disponibles carecen de la diversidad necesaria para entrenar modelos de IA robustos, lo que puede limitar su efectividad en la práctica clínica. Estas bases de datos a menudo están compuestas principalmente por imágenes de alta calidad obtenidas en entornos controlados, que no representan adecuadamente la variabilidad de las condiciones del mundo real, como diferentes tipos de piel, condiciones de iluminación y calidad de las imágenes (5).

Otro desafío significativo es la generalización y el sesgo en los modelos de IA. Los modelos entrenados en conjuntos de datos específicos pueden no generalizar bien a poblaciones diferentes. Por ejemplo, un modelo entrenado predominantemente con imágenes de personas de un determinado grupo étnico puede no ser tan preciso cuando se aplica a individuos de otros grupos étnicos. Este sesgo puede resultar en disparidades en el diagnóstico, lo que es particularmente preocupante en la medicina, donde la precisión y la equivalencia son fundamentales (1).

Además, existe una necesidad urgente de validación y estandarización de las herramientas de IA. Actualmente, muchos modelos de IA se desarrollan y validan utilizando diferentes metodologías y conjuntos de datos, lo que dificulta la comparación de su rendimiento y la evaluación de su aplicabilidad clínica. Es crucial establecer estándares uniformes para la validación de herramientas de IA, incluyendo protocolos rigurosos de ensayo clínico y evaluación de su desempeño en entornos clínicos diversos. Sin estos estándares, la implementación de IA en la práctica clínica podría ser inconsistente y potencialmente riesgosa (1, 13, 14).

Estos desafíos subrayan la importancia de una mayor investigación y colaboración en el desarrollo de IA para el diagnóstico del melanoma. Abordar las limitaciones de las bases de datos, mejorar la generalización de los modelos y establecer estándares claros de validación son pasos esenciales para asegurar que las tecnologías de IA puedan realizar su potencial completo en la mejora del diagnóstico y el tratamiento del melanoma (1).

Discusión y análisis:

La IA ha transformado significativamente el diagnóstico del melanoma, ofreciendo ventajas claras en términos de precisión y eficiencia. Sin embargo, existen desafíos notables que deben abordarse para su implementación efectiva en la práctica clínica. Un problema crucial es la calidad y diversidad de los datos utilizados para entrenar los modelos de IA. Las bases de datos de imágenes a menudo carecen de representatividad de diferentes tipos de piel y condiciones clínicas, lo que puede llevar a sesgos en los resultados y limitar la aplicabilidad de los modelos a poblaciones diversas. Esta falta de diversidad puede resultar en diagnósticos menos precisos para ciertos grupos demográficos, lo que hace hincapié en la necesidad de bases de datos más inclusivas y diversas (6).

Otro desafío importante es la capacidad de los modelos de IA para generalizar a nuevas poblaciones y condiciones clínicas. Muchos modelos actuales están entrenados en conjuntos de datos específicos y pueden no funcionar bien en diferentes contextos clínicos o geográficos. Esto es particularmente preocupante dado que el melanoma presenta variaciones significativas dependiendo del grupo étnico y la geografía, lo que puede afectar la efectividad del diagnóstico basado en IA (1).

La validación rigurosa y la estandarización de las herramientas de IA son fundamentales para asegurar su fiabilidad y seguridad en entornos clínicos. Actualmente, existe una variabilidad considerable en los métodos utilizados para desarrollar y validar estos modelos, lo que dificulta la comparación de su desempeño. Se requieren protocolos estandarizados para asegurar que las herramientas de IA se evalúen consistentemente y sean fiables antes de su adopción generalizada en la práctica clínica (1, 15).

La implementación de IA también plantea cuestiones éticas, especialmente en relación con la privacidad de los datos y la toma de decisiones clínicas automatizadas. Es crucial establecer marcos regulatorios claros que protejan la privacidad del paciente y garanticen que las decisiones basadas en IA sean transparentes y explicables (14, 5).

A pesar de estos desafíos, la IA ofrece oportunidades prometedoras para mejorar el diagnóstico del melanoma y otros cánceres de piel. El desarrollo de modelos multimodales que integren datos clínicos, genómicos e imágenes podría proporcionar diagnósticos más precisos y personalizados. Además, la IA tiene el potencial de facilitar el acceso a diagnósticos de alta calidad en áreas con recursos limitados, mejorando así la equidad en la atención médica (13, 16).

En conclusión, mientras que la IA tiene el potencial de revolucionar el diagnóstico del melanoma, es esencial abordar los desafíos actuales relacionados con la calidad de los datos, la generalización de los modelos, la validación y las implicaciones éticas. Con una investigación continua y el desarrollo de marcos regulatorios adecuados, la IA puede convertirse en una herramienta indispensable en la dermatología clínica.

Conclusiones:

La IA ha mostrado un notable potencial para mejorar el diagnóstico del melanoma. A través del uso de CNN, se ha logrado una precisión diagnóstica que iguala o incluso supera la de los dermatólogos experimentados. La IA facilita la clasificación precisa de imágenes dermatoscópicas y reduce la necesidad de biopsias innecesarias, minimizando así la invasividad y el estrés para los pacientes. Además, ha demostrado ser eficaz en la detección temprana de melanomas y en la mejora de la especificidad y sensibilidad diagnóstica.

La implementación de IA en la dermatología puede revolucionar la práctica clínica al proporcionar diagnósticos más precisos y rápidos. Esto es especialmente valioso en áreas con recursos limitados, donde la falta de especialistas puede retrasar el diagnóstico. La IA también puede servir como una herramienta de apoyo para los médicos generales, ayudando a identificar casos sospechosos que requieren atención especializada. Además, al estandarizar el proceso diagnóstico, la IA reduce la variabilidad interobservador, mejorando la consistencia y la calidad del cuidado del paciente.

Para maximizar el impacto de la IA en el diagnóstico del melanoma, es crucial abordar ciertos desafíos persistentes. Se recomienda mejorar la diversidad de las bases de datos de imágenes para garantizar que los modelos de IA sean aplicables a una amplia variedad de tipos de piel y condiciones clínicas. Además, es esencial establecer protocolos estandarizados para la validación de modelos de IA y fomentar la colaboración internacional para compartir datos y mejorar la generalización de estos modelos. También se sugiere investigar la integración de datos genómicos y clínicos con análisis de imágenes para ofrecer un enfoque más integral y personalizado en la detección y tratamiento del melanoma.

Referencias:

1. Guerrisi A, Falcone I, Valenti F, Rao M, Gallo E, Ungania S, et al. Artificial Intelligence and Advanced Melanoma: Treatment Management Implications. Cells. 2022;11:3965. doi: 10.3390/cells11243965.
2. Cui X, Wei R, Gong L, Qi R, Zhao Z, Chen H, et al. Assessing the effectiveness of artificial intelligence methods for melanoma: A retrospective review. J Am Acad Dermatol. 2019;81(5):1176-1180. doi: 10.1016/j.jaad.2019.06.042.
3. Lee KJ, Betz-Stablein B, Stark MS, Janda M, McInerney-Leo AM, Caffery LJ, Gillespie N, Yanes T, Soyer HP. El futuro de la prevención de precisión para el melanoma avanzado. Front Med (Lausanne). 2021;8:818096. doi: 10.3389/fmed.2021.818096.
4. Higgins H, Nakhla A, Lotfalla A, Khalil D, Doshi P, Thakkar V, Shirini D, Bebawy M, Ammari S, Lopci E, Schwartz LH, Postow M, Dercle L. Recent advances in the field of artificial intelligence for precision medicine in patients with a diagnosis of metastatic cutaneous melanoma. Diagnostics (Basel). 2023 Nov 20;13(22):3483. doi: 10.3390/diagnostics13223483. PMID: 37998619; PMCID: PMC10670510.
5. Du-Harpur X, Watt FM, Luscombe NM, Lynch MD. ¿Qué es la IA? Aplicaciones de la inteligencia artificial en dermatología. Br J Dermatol. 2020;183(3):423-430. doi: 10.1111/bjd.18880.
6. McGale J, Hama J, Yeh R, Vercellino L, Sun R, Lopci E, Ammari S, Dercle L. Inteligencia artificial y radiómica: aplicaciones clínicas para pacientes con melanoma avanzado tratados con inmunoterapia. Diagnóstico (Basilea). 2023;13(19):3065. doi: 10.3390/diagnostics13193065.
7. González-Cruz C, Jofre MA, Podlipnik S, Combalia M, Gareau D, Gamboa M, Vallone MG, Barragán-Estudillo ZF, Tamez-Peña AL, Montoya J, Jesús-Silva MA, Carrera C, Malvehy J, Puig S. Uso del aprendizaje automático en el diagnóstico del melanoma. Limitaciones por superar. Actas Dermosifiliogr. 2020;111(4):313-316. doi:10.1016/j.ad.2019.09.002.
8. Vera J, Lai X, Baur A, Erdmann M, Gupta S, Guttà C, et al. Melanoma 2.0. Skin cancer as a paradigm for emerging diagnostic technologies, computational modelling and artificial intelligence. Brief Bioinform. 2022;23(6):1-18. doi: 10.1093/bib/bbac433.
9. Hartmann T, Passauer J, Hartmann J, Schmidberger L, Kneilling M, Volc S. Basic principles of artificial intelligence in dermatology explained using melanoma. J Dtsch Dermatol Ges. 2024;22:339-347. doi: 10.1111/ddg.15322.
10. Raimondi S, Suppa M, Gandini S. Melanoma Epidemiology and Sun Exposure. Acta Derm Venereol. 2020 Jun 3;100(11). doi: 10.2340/00015555-3491. PMID: 32346751; PMCID: PMC9189754.
11. Haenssle HA, Fink C, Schneiderbauer R, et al. El hombre contra la máquina: rendimiento diagnóstico de una red neuronal convolucional de aprendizaje profundo para el reconocimiento dermatoscópico del melanoma en comparación con 58 dermatólogos. Ann Oncol. 2018;29:1836–42.
12. Kiran A, Narayanasamy N, Ramesh JVN, Ahmad MW. A new deep learning framework for accurate melanoma diagnosis integrating imaging and genomic data to improve patient outcomes. Skin Res Technol. 2024;30(6). doi: 10.1111/srt.13770.
13. Neimy H, Helmy JE, Snyder A, Valdebran M. Artificial Intelligence in Melanoma Dermatopathology: A Review of Literature. Am J Dermatopathol. 2024;46(2):83-94.
14. Kluge, E. H. (2020). Ethical and legal challenges for AI in healthcare. Health Informatics Journal, 26(4), 2618-2631. doi:10.1177/1460458220942912.
15. Salinas MP, Sepúlveda J, Hidalgo L, Peirano D, Morel M, Uribe P, et al. Una revisión sistemática y un metanálisis de la inteligencia artificial versus los médicos para el diagnóstico del cáncer de piel. npj Digit Med. 2024;125. doi: 10.1038/s41746-024-01103-x.
16. Nuñez M. Artificial intelligence and machine learning in dermatology: current applications and future trends. J Am Acad Dermatol. 2021;85(2):391-402. doi:10.1016/j.jaad.2020.11.045.