Detección de cáncer de piel melanoma utilizando aprendizaje profundo, redes neuronales y técnicas clásicas de aprendizaje automático

El melanoma es uno de los tipos de cáncer de piel más mortales y requiere un chequeo temprano para la supervivencia. Aunque el diagnóstico temprano dependía principalmente de controles dermatológicos y reportes histopatológicos, la automatización de este proceso puede ser muy eficiente en términos de tiempo. Con ese interés, en el siguiente artículo proponemos un enfoque híbrido que intenta utilizar el aprendizaje profundo junto con algunos métodos clásicos de aprendizaje automático para automatizar la detección del melanoma. La extracción de características y clasificación se realizó usando CNN porque es la más eficiente procesando datos de imágenes. Además, se utilizaron SVM y KNN como modelos comparativos. Se usó un conjunto de datos muy bien preprocesado de imágenes para evaluar el desempeño de los modelos en términos de precisión, exactitud y exhaustividad. Observamos un desempeño significativamente superior de las CNN en comparación con los métodos más tradicionales y un conjunto de modelos que ofrece una mayor confianza en el diagnóstico. La técnica tiene gran potencial para apoyar a los clínicos con un diagnóstico de melanoma más rápido y preciso, permitiendo así un mejor cuidado del paciente. Palabras clave: Detección de melanoma, dermatológico, Support Vector Machines (SVM), K-Nearest Neighbors (KNN), Redes Neuronales Convolucionales (CNNs).