Detección de Melanoma con Deep Learning: De la Imagen al Diagnóstico Asistido

Clasificación de lunares con Deep Learning: de CNNs simples a criterios clínicos ABCDE

Uno de mis primeros proyectos personales en visión por computadora ha sido aplicar redes neuronales convolucionales (CNNs) para clasificar imágenes de lunares benignos y malignos. Es un tema sensible e interesante desde el punto de vista biomédico, así que decidí ir más allá de una simple red funcional.

🧪 Primera versión del proyecto

En la versión inicial:

• Usé ImageDataGenerator con augmentación para compensar la escasez de imágenes.

• Entrené una CNN desde cero en TensorFlow/Keras.

• Utilicé carpetas separadas para imágenes benignas y malignas.

• Apliqué callbacks como EarlyStopping y ModelCheckpoint.

Obtuve resultados funcionales, pero la precisión del modelo no fue lo suficientemente buena para un caso clínico real, y empecé a notar los límites de usar solo una CNN "black box" con augmentaciones agresivas.

🔄 Redefiniendo el enfoque: de CNN a un modelo clínicamente orientado

Decidí replantear el pipeline con una aproximación más rigurosa y alineada con el análisis médico:

1. Evitar modificaciones que deformen las imágenes

Las alteraciones por rotaciones, zoom o desplazamientos pueden comprometer estructuras clave en lesiones cutáneas. Prefiero trabajar con las imágenes originales.

2. Crear un archivo CSV con metadatos

Estoy construyendo un CSV que contenga, para cada imagen:

• Nombre del archivo

• Etiqueta (benigno/maligno)

• Y ahora también características clínicas extraídas automáticamente

3. Extraer métricas basadas en el criterio ABCDE del melanoma:

• Asimetría: diferencia de forma entre mitades.

• Bordes: grado de irregularidad (usando contornos y medidas geométricas).

• Color: cantidad de tonos dominantes y variabilidad en el histograma.

• Diámetro: medida en píxeles.

• (En futuro) Evolución: si se dispone de imágenes temporales.

Estas características serán computadas con funciones específicas en Python y OpenCV, y almacenadas en el CSV para su análisis posterior.

4. Entrenar un nuevo modelo con datos estructurados

Con el CSV, utilizaré algoritmos como:

• Random Forests o XGBoost (alta precisión y explicabilidad),

• O incluso una arquitectura híbrida CNN + capas densas tabulares.

🔍 Próximos pasos

• Finalizar el extractor automático de características ABCDE.

• Evaluar el rendimiento de diferentes modelos sobre los datos estructurados.

• Documentar todo el proceso en GitHub, con notebooks y comparativas.

📁 Repositorio del proyecto

Todo el código está disponible (y en evolución constante) en mi GitHub:
👉 [enlace al repo]

🔚 Reflexión final

Este proyecto ha sido una gran forma de profundizar en visión por computador, clasificación binaria, buenas prácticas de entrenamiento y, sobre todo, en cómo adaptar los modelos a los requisitos clínicos reales. No se trata solo de que funcione: se trata de que tenga sentido y se pueda confiar en él.