Diagnóstico automático de casos de riesgo de melanoma basado en imágenes dermatoscópicas

Abstract

El melanoma es un cáncer de la piel que puede ser letal si no es tratado convenientemente. La supervivencia de los pacientes depende en gran medida de una atención temprana por parte de profesionales médicos. El objetivo principal de este Trabajo es demostrar el uso aplicado de la Ciencia de Datos y de la Inteligencia Artificial para crear un sistema de apoyo capaz de emitir una predicción de riesgo de melanoma a partir de imágenes dermatoscópicas. Siguiendo una planificación del Trabajo por etapas, se han realizado las siguientes fases: 1. Estudio del arte sobre el tratamiento de imágenes mediante redes neuronales convolucionales, seleccionando EfficientNet. 2. Análisis de los conjuntos de datos abiertos de imágenes ISIC, seleccionando los datos del desafío del año 2019. 3. Experimentación y entrenamiento de modelos en Google Cloud para obtener el modelo óptimo. 4. Evaluación de las métricas de rendimiento y equidad. 5. Implementación del modelo en la nube de AWS, acompañado de una aplicación web para realizar diagnósticos sobre nuevas imágenes. Los resultados de la implementación se consideran satisfactorios, con la recomendación de su uso en pacientes adultos, tanto mujeres como hombres, mayores de 30 años, con tonos de piel clara o ligeramente morena. Mejoras en el sistema derivadas del incremento de la calidad de los datos, el aseguramiento de su interpretabilidad en un contexto clínico y la implementación de una práctica de MLOps para gestionar nuevas versiones podrían llevar a una implantación en un entorno real en producción al servicio de la comunidad médica.

Melanoma is a skin cancer that can be life-threatening if not properly treated. Patient survival largely depends on early care by medical professionals. The main objective of this Final Project is to demonstrate the applied use of Data Science and Artificial Intelligence to create a support system capable of producing melanoma risk predictions from dermoscopic images. Following the planning of the Project in stages, these phases have been carried out: 1. Study of the state of the art in image processing with convolutional neural networks, selecting EfficientNet. 2. Analysis of open image datasets by ISIC, selecting the data from the challenge of the year 2019. 3. Experimentation and training of models in Google Cloud to obtain the optimal model. 4. Evaluation of performance and fairness metrics. 5. Implementation of the model in AWS cloud, complemented by a web application to perform diagnostics on new images. The outcome of the implementation is considered satisfactory, with the recommendation for its use in adult patients, both women and men, over 30 years of age, with light skin tones. Enhancements in the system derived from the improvement of the quality of the data, the assurance of its interpretability in clinical contexts and the application of MLOps to create and deploy new versions could lead to an implementation in a real-world production environment at the service of the medical community.

El melanoma és un càncer de la pell que pot ser letal si no és tractat convenientment. La supervivència dels pacients depèn en gran manera d'una atenció precoç per part de professionals mèdics. L'objectiu principal d'aquest Treball és demostrar l'ús aplicat de la Ciència de Dades i de la Intel·ligència Artificial per a crear un sistema de suport capaç d'emetre una predicció de risc de melanoma a partir d'imatges dermatoscópicas. Seguint una planificació del Treball per etapes, s'han realitzat les següents fases: 1. Estudi de l'art sobre el tractament d'imatges mitjançant xarxes neuronals convolucionals, seleccionant EfficientNet. 2. Anàlisi dels conjunts de dades obertes d'imatges ISIC, seleccionant les dades del desafiament de l'any 2019. 3. Experimentació i entrenament de models en Google Cloud per a obtenir el model òptim. 4. Avaluació de les mètriques de rendiment i equitat. 5. Implementació del model en el núvol de AWS, acompanyat d'una aplicació web per a realitzar diagnòstics sobre noves imatges. Els resultats de la implementació es consideren satisfactoris, amb la recomanació del seu ús en pacients adults, tant dones com homes, majors de 30 anys, amb tons de pell clara o lleugerament bruna. Millores en el sistema derivades de l'increment de la qualitat de les dades, l'assegurament del seu interpretabilidad en un context clínic i la implementació d'una pràctica de MLOps per a gestionar noves versions podrien portar a una implantació en un entorn real en producció al servei de la comunitat mèdica.