Aplicación de la inteligencia artificial en la interpretación diagnóstica de imágenes cutáneas y microscópicas para la detección temprana del melanoma: revisión bibliográfica
DOI:
https://doi.org/10.70577/asce.v5i4.1134Palabras clave:
Inteligencia artificial; melanoma; diagnóstico temprano; redes neuronales; dermatología; aprendizaje profundoResumen
La detección temprana del melanoma representa uno de los principales desafíos en dermatología debido a su alta agresividad y capacidad metastásica. En este contexto, la inteligencia artificial ha emergido como una herramienta prometedora para apoyar la interpretación diagnóstica de imágenes cutáneas y microscópicas, permitiendo mejorar la precisión y eficiencia en la identificación de lesiones sospechosas. El presente estudio tuvo como objetivo analizar la aplicación de la inteligencia artificial en el diagnóstico temprano del melanoma mediante una revisión bibliográfica de literatura científica reciente.
La metodología empleada consistió en una revisión documental de artículos científicos indexados relacionados con aprendizaje automático, aprendizaje profundo y redes neuronales convolucionales aplicadas al análisis de imágenes dermatológicas. Los hallazgos evidencian que los modelos de inteligencia artificial pueden alcanzar niveles de precisión diagnóstica entre el 80 % y 94 %, superando en varios casos el desempeño de la evaluación clínica convencional. Asimismo, se identificó que estas herramientas permiten optimizar tiempos de análisis, reducir errores diagnósticos y apoyar la toma de decisiones médicas.
Sin embargo, también se evidencian limitaciones relacionadas con la calidad de los datos, la falta de estandarización de los algoritmos y la variabilidad en su desempeño según la población analizada. En conclusión, la inteligencia artificial representa una herramienta complementaria con alto potencial para mejorar la detección temprana del melanoma, siempre que su implementación clínica sea validada adecuadamente.
Descargas
Citas
Altuve Mouthon, A., Colón Muñoz, E., De la Rosa Sampayo, A., Murillo Fernández, L., Blanquicett Benavides, L., Arrieta, E., & Núñez Valdés, E. (2023). Detección de melanoma en imágenes de lesiones cutáneas usando visión por computadora y aprendizaje profundo. Journal of Computer and Electronic Sciences: Theory and Applications, 4(1). https://doi.org/10.17981/cesta.04.01.2023.05 DOI: https://doi.org/10.17981/cesta.04.01.2023.05
Anchatuña Caisa, J. O., Araujo Vega, D. L., Cadena Vaca, C. Y., & Villagrán Herrero, P. A. (2025). Detección ultra-temprana de melanoma con redes neuronales convolucionales: implicaciones para la resección quirúrgica guiada por inteligencia artificial. RECIAMUC, 9(2), 675–687. https://doi.org/10.26820/reciamuc/9.(2).abril.2025.675-687 DOI: https://doi.org/10.26820/reciamuc/9.(2).abril.2025.675-687
Arnold, M., Singh, D., Laversanne, M., Vignat, J., Vaccarella, S., Meheus, F., Cust, A. E., De Vries, E., Whiteman, D. C., & Bray, F. (2022). Global burden of cutaneous melanoma in 2020 and projections to 2040. JAMA Dermatology, 158(5), 495–503. https://doi.org/10.1001/jamadermatol.2022.0160 DOI: https://doi.org/10.1001/jamadermatol.2022.0160
Borja Borja, C., Silva Peñafiel, G. E., Cusco Vinueza, V. A., & Vasquez Carrera, P. J. (2022). Inteligencia artificial en la detección de melanomas. DATEH: Revista Multidisciplinaria de Desarrollo Agropecuario, Tecnológico, Empresarial y Humanista, 4(1). https://investigacion.utc.edu.ec/index.php/dateh/article/view/774
Brinker, T. J., Hekler, A., Enk, A. H., Berking, C., Haferkamp, S., Hauschild, A., Weichenthal, M., Klode, J., Schadendorf, D., Holland-Letz, T., von Kalle, C., Fröhling, S., Schilling, B., & Utikal, J. S. (2019). Deep neural networks are superior to dermatologists in melanoma image classification. European Journal of Cancer, 119, 11–17. https://doi.org/10.1016/j.ejca.2019.05.023 DOI: https://doi.org/10.1016/j.ejca.2019.05.023
Chanda, T., Hauser, K., Hobelsberger, S., Bucher, T.-C., Krieghoff-Henning, E., et al. (2024). Dermatologist-like explainable AI enhances trust and confidence in diagnosing melanoma. Nature Communications, 15(1), Article 524. https://doi.org/10.1038/s41467-023-43095-4 DOI: https://doi.org/10.1038/s41467-023-43095-4
Debelee, T. G. (2023). Skin lesion classification and detection using machine learning techniques: a systematic review. Diagnostics, 13(19), Article 3147. https://doi.org/10.3390/diagnostics13193147 DOI: https://doi.org/10.3390/diagnostics13193147
Ertürk Zararsız, G., Yerlitaş Taştan, S. İ., Çelik Gürbulak, E., Erakcaoğlu, A., Yılmaz Işıkhan, S., Demirbaş, A., Ertaş, R., Eroğlu, İ., Korkmaz, S., Elmas, Ö. F., & Zararsız, G. (2025). Diagnosis melanoma with artificial intelligence systems: a meta-analysis study and systematic review. Journal of the European Academy of Dermatology and Venereology, 39(11), 1912–1922. https://doi.org/10.1111/jdv.20781 DOI: https://doi.org/10.1111/jdv.20781
Esteves Baldó, M. D., & Ball de Picón, J. (2024). Dermatoscopía avanzada en melanoma: desde la inteligencia artificial hasta la identificación de mutaciones somáticas. Dermatología Venezolana, 62(2). https://revista.svderma.org/index.php/ojs/article/view/1580 DOI: https://doi.org/10.70181/DV.2024.2.62.06
Furriel, B. C. R. S., Oliveira, B. D., Prôa, R., Paiva, J. Q., Loureiro, R. M., Calixto, W. P., Reis, M. R. C., & Giavina-Bianchi, M. (2024). Artificial intelligence for skin cancer detection and classification for clinical environment: a systematic review. Frontiers in Medicine, 10, Article 1305954. https://doi.org/10.3389/fmed.2023.1305954 DOI: https://doi.org/10.3389/fmed.2023.1305954
Górecki, S., Tatka, A., & Brusey, J. (2025). Artificial intelligence and new technologies in melanoma diagnosis: a narrative review. Cancers, 17(24), Article 3896. https://doi.org/10.3390/cancers17243896 DOI: https://doi.org/10.3390/cancers17243896
Gutiérrez Magaldi, I., Tabares, P., Tabares, G., Tabares, F., Gómez Zanni, S., Pascualini, F., Papa, M., Cedrés, N., Cherasco, M., & Llanos, J. (2025). Aplicación de inteligencia artificial como herramienta para la optimización en el diagnóstico de melanoma. Revista Methodo, 10(2), 12–16. https://doi.org/10.22529/me.2025.10(2)03 DOI: https://doi.org/10.22529/me.2025.10(2)03
Guzman Loreto, G. R., Pérez Diosdado, A. Z., Durán Reyes, E., Torres Calderón, A., González Guzmán, L., Preciado Trujillo, H., & Guzman Cabrera, R. (2023). Aplicación de la inteligencia artificial en la clasificación automática de imágenes médicas. Jóvenes en la Ciencia, 21, 1–6. https://www.jovenesenlaciencia.ugto.mx/index.php/jovenesenlaciencia/article/view/4038 DOI: https://doi.org/10.15174/jc.2024.4298
Haenssle, H. A., Fink, C., Schneiderbauer, R., Toberer, F., Buhl, T., Blum, A., Kalloo, A., Hassen, A. B. H., Thomas, L., Enk, A., & Uhlmann, L. (2018). Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Annals of Oncology, 29(8), 1836–1842. https://doi.org/10.1093/annonc/mdy166 DOI: https://doi.org/10.1093/annonc/mdy166
Kalidindi, S. (2024). The role of artificial intelligence in the diagnosis of melanoma. Cureus, 16(9), Article e69818. https://doi.org/10.7759/cureus.69818 DOI: https://doi.org/10.7759/cureus.69818
Li, M., Abe, M., Nakano, S., & Tsuneki, M. (2023). Deep learning approach to classify cutaneous melanoma in a whole slide image. Cancers, 15(6), Article 1907. https://doi.org/10.3390/cancers15061907 DOI: https://doi.org/10.3390/cancers15061907
Mahmud, M. A. A., Afrin, S., Mridha, M. F., Alfarhood, S., Che, D., & Safran, M. (2025). Explainable deep learning approaches for high precision early melanoma detection using dermoscopic images. Scientific Reports, 15, Article 24533. https://doi.org/10.1038/s41598-025-09938-4 DOI: https://doi.org/10.1038/s41598-025-09938-4
Mendi, B. İ., Kose, K., Fleshner, L., Adam, R., Safai, B., Farabi, B., & Atak, M. F. (2024). Artificial intelligence in the non-invasive detection of melanoma. Life, 14(12), Article 1602. https://doi.org/10.3390/life14121602 DOI: https://doi.org/10.3390/life14121602
Okobi, O. E., Abreo, E., Sams, N. P., Chukwuebuni, O. H., Tweneboa Amoako, L. A., Wiredu, B., Uboh, E. E., Ekechi, V. C., & Okafor, A. A. (2024). Trends in melanoma incidence, prevalence, stage at diagnosis, and survival: an analysis of the United States Cancer Statistics (USCS) database. Cureus, 16(10), Article e70697. https://doi.org/10.7759/cureus.70697 DOI: https://doi.org/10.7759/cureus.70697
Olsen, C. M., Green, A. C., Pandeya, N., & Whiteman, D. C. (2019). Trends in melanoma incidence rates in eight susceptible populations through 2015. Journal of Investigative Dermatology, 139(6), 1392–1395. https://doi.org/10.1016/j.jid.2018.12.006 DOI: https://doi.org/10.1016/j.jid.2018.12.006
Patel, R. H., Foltz, E. A., Witkowski, A., & Ludzik, J. (2023). Analysis of artificial intelligence-based approaches applied to non-invasive imaging for early detection of melanoma: a systematic review. Cancers, 15(19), Article 4694. https://doi.org/10.3390/cancers15194694 DOI: https://doi.org/10.3390/cancers15194694
Sung, H., Ferlay, J., Siegel, R. L., Laversanne, M., Soerjomataram, I., Jemal, A., & Bray, F. (2021). Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: A Cancer Journal for Clinicians, 71(3), 209–249. https://doi.org/10.3322/caac.21660 DOI: https://doi.org/10.3322/caac.21660
Vibha, T. R., Saravanan, C., & Divya, T. L. (2025). Melanoma skin cancer detection and classification using deep learning and image processing. SN Computer Science, 6(5). https://doi.org/10.1007/s42979-025-04009-x DOI: https://doi.org/10.1007/s42979-025-04009-x
Villalobos Romo, V. A., Torres Argüelles, S. V., & Díaz Román, J. D. (2025). Inteligencia artificial para un diagnóstico accesible en la identificación del melanoma y otras lesiones. Cultura Científica y Tecnológica (CULCYT), 22(2), e50–e59. https://doi.org/10.20983/culcyt.2025.2.2e.6 DOI: https://doi.org/10.20983/culcyt.2025.2.2e.6
Wang, M., Gao, X., & Zhang, L. (2025). Recent global patterns in skin cancer incidence, mortality, and prevalence. Chinese Medical Journal, 138(2), 185–192. https://doi.org/10.1097/CM9.0000000000003416 DOI: https://doi.org/10.1097/CM9.0000000000003416
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Samantha Gianella Ordoñez Villalba, Xiomara Janeth Ordoñez Villalba, Edmo Ramiro Jara Guerrero
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Eres libre de:
- Compartir : copiar y redistribuir el material en cualquier medio o formato
- Adaptar : remezclar, transformar y desarrollar el material
- El licenciante no puede revocar estas libertades siempre y cuando usted cumpla con los términos de la licencia.
En los siguientes términos:
- Atribución : Debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o a su uso.
- No comercial : no puede utilizar el material con fines comerciales .
- CompartirIgual — Si remezcla, transforma o construye sobre el material, debe distribuir sus contribuciones bajo la misma licencia que el original.
- Sin restricciones adicionales : no puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer algo que la licencia permite.
