{"id":297,"date":"2020-11-03T11:46:31","date_gmt":"2020-11-03T11:46:31","guid":{"rendered":"https:\/\/dermatly.com\/inteligencia-artificial-en-dermatologia\/"},"modified":"2026-03-10T12:44:05","modified_gmt":"2026-03-10T12:44:05","slug":"kunstliche-intelligenz-in-der-dermatologie","status":"publish","type":"glossary","link":"https:\/\/dermatly.com\/de\/inteligencia-artificial-en-dermatologia\/","title":{"rendered":"Inteligencia artificial en dermatolog\u00eda"},"content":{"rendered":"<section class=\"textBlock\">\n<h1>Comprendiendo la Inteligencia Artificial y su Impacto en la Medicina<\/h1>\n<p>La Inteligencia Artificial (IA) utiliza sistemas computacionales avanzados para ejecutar tareas que tradicionalmente requieren intelecto humano, tales como el reconocimiento visual y el procesamiento del lenguaje por voz. Esta disciplina se apoya en tecnolog\u00edas y algoritmos fundamentales como el aprendizaje autom\u00e1tico (Machine Learning), la rob\u00f3tica y el Internet para emular la funcionalidad del cerebro humano. Impulsada por un poder de c\u00e1lculo y una capacidad de almacenamiento ilimitados, la IA posee el potencial de superar las capacidades humanas en muchas \u00e1reas.<\/p>\n<p>En el \u00e1mbito de la atenci\u00f3n sanitaria, los algoritmos de visi\u00f3n artificial est\u00e1n demostrando un enorme potencial para identificar <span class=\"term\" data-term-id=\"1935\">anormalidades<\/span> y diversas patolog\u00edas mediante la evaluaci\u00f3n detallada de patrones, formas y colorimetr\u00eda en im\u00e1genes m\u00e9dicas [1].<\/p>\n<p>Existen numerosas aplicaciones pr\u00e1cticas de la IA en nuestra vida diaria y la industria, incluyendo:<\/p>\n<ul>\n<li>Desarrollo de tecnolog\u00eda para implementar veh\u00edculos completamente aut\u00f3nomos.<\/li>\n<li>Algoritmos de reconocimiento de voz integrados para la interacci\u00f3n humano-m\u00e1quina, ejemplificados por SIRI (Apple), Alexa (Amazon) y Asistente de Google.<\/li>\n<li>Programas avanzados de algoritmos de <span class=\"term\" data-term-id=\"2296\">Traducci\u00f3n<\/span> ling\u00fc\u00edstica.<\/li>\n<li>Sistemas capaces de clasificar razas de perros con una precisi\u00f3n reportada superior al 96%.<\/li>\n<li>Modelos predictivos para anticipar las preferencias del usuario, manifestados en recomendaciones personalizadas de pel\u00edculas o la entrega de publicidad segmentada.<\/li>\n<li>Pron\u00f3stico de las necesidades operativas, prediciendo picos de demanda para servicios como taxis o fuerza laboral temporal [2,3].<\/li>\n<\/ul>\n<h2>Aplicaciones de la IA y el Aprendizaje Profundo en el Cuidado de la Salud<\/h2>\n<p>Los algoritmos de aprendizaje profundo (Deep Learning) dependen intr\u00ednsecamente de las <span class=\"term\" data-term-id=\"2160\">neural<\/span> redes. Estas redes neuronales se conciben como modelos computacionales inspirados en la arquitectura del cerebro biol\u00f3gico. Est\u00e1n compuestas por una vasta colecci\u00f3n de puntos interconectados denominados <span class=\"term\" data-term-id=\"482\">neuronas<\/span> artificiales, que emulan a las neuronas biol\u00f3gicas. Estos sistemas adquieren la capacidad de discernir caracter\u00edsticas complejas de un objeto al ser entrenados con grandes vol\u00famenes de datos previamente etiquetados, como clasificaciones de \u00abperro\u00bb o \u00abno perro\u00bb. Las caracter\u00edsticas aprendidas son luego utilizadas para interpretar la naturaleza de una nueva imagen desconocida.<\/p>\n<p>Las im\u00e1genes son herramientas fundamentales en el diagn\u00f3stico de afecciones y lesiones, adem\u00e1s de ser cruciales en el estudio de la anatom\u00eda y <span class=\"term\" data-term-id=\"2200\">fisiolog\u00eda<\/span> humana. Las t\u00e9cnicas de vanguardia en el diagn\u00f3stico por im\u00e1genes m\u00e9dicas incluyen la <span class=\"term\" data-term-id=\"1410\">imagen de resonancia magn\u00e9tica<\/span> ($text{RM}$, por sus siglas en espa\u00f1ol, o <span class=\"term\" data-term-id=\"1116\">Resonancia magn\u00e9tica<\/span>), la absorciometr\u00eda de rayos X de doble energ\u00eda (DXA), la <span class=\"term\" data-term-id=\"1377\">ecograf\u00eda<\/span> y la <span class=\"term\" data-term-id=\"797\">tomograf\u00eda computarizada<\/span> ($text{TC}$, o <span class=\"term\" data-term-id=\"799\">Connecticut<\/span>) [4\u201310].<\/p>\n<p>En el an\u00e1lisis de im\u00e1genes m\u00e9dicas, las redes neuronales convolucionales (CNN) se emplean para clasificar hallazgos como \u00abanormales\u00bb o \u00abnormales\u00bb. Estas redes se entrenan utilizando extensas bases de datos de im\u00e1genes m\u00e9dicas previamente etiquetadas, logrando igualar o incluso superar la capacidad de la visi\u00f3n humana en la identificaci\u00f3n precisa de elementos en \u00e1reas cr\u00edticas como:<\/p>\n<ul>\n<li>Detecci\u00f3n de <span class=\"term\" data-term-id=\"30\">c\u00e1ncer<\/span> de mama (pecho).<\/li>\n<li>Identificaci\u00f3n de <span class=\"term\" data-term-id=\"289\">tumor<\/span> cerebral.<\/li>\n<li>Diagn\u00f3stico de melanoma (c\u00e1ncer de piel).<\/li>\n<li>Asistencia en el diagn\u00f3stico de la enfermedad de Alzheimer [11,12].<\/li>\n<\/ul>\n<p>La escalabilidad inherente de estos algoritmos inform\u00e1ticos les permite operar sin problemas a trav\u00e9s de diversos sistemas operativos, plataformas y dispositivos, lo que contribuye a reducir los costos operativos y a expandir su accesibilidad para fines de diagn\u00f3stico e investigaci\u00f3n. Instituciones acad\u00e9micas, organismos gubernamentales y agencias de financiaci\u00f3n para la investigaci\u00f3n han reconocido las vastas oportunidades que la IA ofrece para mejorar la detecci\u00f3n temprana de enfermedades cr\u00f3nicas como el c\u00e1ncer, afecciones card\u00edacas, diabetes y demencia, invirtiendo significativamente en este sector tecnol\u00f3gico.<\/p>\n<p>Para septiembre de 2018, varias herramientas basadas en IA ya hab\u00edan recibido la aprobaci\u00f3n regulatoria de la Administraci\u00f3n de Alimentos y Medicamentos de EE. UU. (FDA) para su utilizaci\u00f3n cl\u00ednica. Estas aplicaciones incluyen soluciones destinadas a:<\/p>\n<ul>\n<li>Identificar indicadores de retinopat\u00eda diab\u00e9tica en im\u00e1genes de la retina.<\/li>\n<li>Reconocer s\u00edntomas de accidentes cerebrovasculares en tomograf\u00edas computarizadas.<\/li>\n<li>Visualizar el flujo sangu\u00edneo dentro del m\u00fasculo card\u00edaco.<\/li>\n<li>Diagnosticar c\u00e1ncer de piel utilizando im\u00e1genes cl\u00ednicas capturadas a trav\u00e9s de aplicaciones m\u00f3viles.<\/li>\n<\/ul>\n<div id=\"square-placement-country-holder\" class=\"country-dependent advert\">\n<div class=\"box-placement square-placement\">\n<div class=\"advert__frame\">\n                <!-- \/340621630\/dermnet_mobile_afterfirstsection_300x250 --><\/p>\n<div style=\"display: none;\" id=\"hidden-div-gpt-ad-1484122037505-8\" class=\"[ js-hideable ]\"><\/div>\n<p><script>\n    if (ads_screenwidth\n<\/section>\n<div id=\"post-13304\" class=\"post-13304 page type-page status-publish has-post-thumbnail hentry\">\n<div class=\"entry-content\">\n        <script>\n            if (window.innerWidth < 780) {\n                var inline = document.createElement(\"div\");\n                var ad = document.createElement(\"div\");\n\n                ad.id = 'div-gpt-ad-1484122037505-8';\n                ad.style.height = \"250px\";\n                ad.style.width = \"300px;\";\n\n                inline.appendChild(ad);\n                inline.className = \"inline\";\n                var placeholder = document.getElementById(\"hidden-div-gpt-ad-1484122037505-8\");\n                placeholder.parentNode.replaceChild(inline, placeholder);\n                (function () {\n                    googletag.cmd.push(function () {\n                        googletag.display('div-gpt-ad-1484122037505-8');\n                    });\n                })();\n            }\n        <\/script><\/p>\n<div class=\"clearfix\"><\/div>\n<\/p><\/div>\n<\/div>\n<h1>Aplicaci\u00f3n de la Inteligencia Artificial en el Diagn\u00f3stico del C\u00e1ncer de Piel<\/h1>\n<p>Seg\u00fan la Fundaci\u00f3n del C\u00e1ncer de Piel de EE. UU., cada a\u00f1o se diagnostica c\u00e1ncer de piel a m\u00e1s personas en los EE. UU. que a todos los dem\u00e1s tipos de c\u00e1ncer combinados [13]. Los c\u00e1nceres de piel se clasifican com\u00fanmente como <span class=\"term\" data-term-id=\"1670\">melanoma<\/span> o c\u00e1ncer de piel no melanoma (que incluye el <span class=\"term\" data-term-id=\"1118\">carcinoma<\/span> de <span class=\"term\" data-term-id=\"831\">c\u00e9lulas<\/span> <span class=\"term\" data-term-id=\"32\">basales<\/span> y el carcinoma de <span class=\"term\" data-term-id=\"270\">c\u00e9lulas<\/span> <span class=\"term\" data-term-id=\"270\">escamosas<\/span>). Las lesiones cut\u00e1neas malignas pueden ser dif\u00edciles de diferenciar de las lesiones cut\u00e1neas comunes e <span class=\"term\" data-term-id=\"22\">benignas<\/span>, y la presentaci\u00f3n del melanoma es particularmente variable. Esta ambig\u00fcedad diagn\u00f3stica conlleva a dos problemas significativos:<\/p>\n<ul>\n<li>Los c\u00e1nceres de piel pasan desapercibidos al ser confundidos con afecciones inofensivas.<\/li>\n<li>Se extirpan innecesariamente grandes cantidades de lesiones benignas en un esfuerzo por evitar pasar por alto un c\u00e1ncer potencialmente peligroso.<\/li>\n<\/ul>\n<p>Los <span class=\"term\" data-term-id=\"2024\">dermat\u00f3logos<\/span> examinan las lesiones cut\u00e1neas mediante inspecci\u00f3n visual y <span class=\"term\" data-term-id=\"2031\">dermatoscopia<\/span>. Para determinar qu\u00e9 lesiones requieren extirpaci\u00f3n para diagn\u00f3stico o tratamiento, los especialistas aplican su experiencia en el reconocimiento de patrones. En a\u00f1os recientes, el uso de algoritmos de Inteligencia Artificial (IA) para asistir en el diagn\u00f3stico de <span class=\"term\" data-term-id=\"164\">lesiones<\/span> cut\u00e1neas ha generado un gran inter\u00e9s. Existen diversas bases de datos de lesiones cut\u00e1neas disponibles p\u00fablicamente que facilitan esta investigaci\u00f3n en IA.<\/p>\n<p>Investigadores de la Universidad de Stanford aplicaron un algoritmo de aprendizaje profundo para clasificar c\u00e1nceres de piel a nivel de <span class=\"term\" data-term-id=\"54\">dermat\u00f3logo<\/span>. Utilizaron un conjunto de datos cl\u00ednico que conten\u00eda 129,450 im\u00e1genes abarcando 2,032 enfermedades cut\u00e1neas [14]. Al comparar el rendimiento del algoritmo con el de 21 dermat\u00f3logos certificados, encontraron que la capacidad de clasificaci\u00f3n del algoritmo igualaba la de los expertos humanos.<\/p>\n<p>La International Skin Imaging Collaboration (ISIC) proporciona un amplio conjunto de datos p\u00fablicos. En septiembre de 2018, este repositorio conten\u00eda 23,906 im\u00e1genes <span class=\"term\" data-term-id=\"2030\">dermatosc\u00f3picas<\/span> procedentes de m\u00e1s de 18 tipos diferentes de lesiones cut\u00e1neas. Desde 2016, la ISIC organiza un desaf\u00edo anual denominado 'An\u00e1lisis de Lesiones Cut\u00e1neas para la Detecci\u00f3n de Melanoma'. En la edici\u00f3n de 2017, el equipo ganador alcanz\u00f3 una precisi\u00f3n superior al 98% al diferenciar <span class=\"term\" data-term-id=\"1671\">melanomas<\/span> de nevos benignos [15]. Posteriormente, para el desaf\u00edo de 2018, la ISIC incorpor\u00f3 m\u00e1s categor\u00edas de lesiones, tales como carcinoma de c\u00e9lulas basales y <span class=\"term\" data-term-id=\"1143\"><span class=\"term\" data-term-id=\"1939\">queratosis<\/span> <span class=\"term\" data-term-id=\"1595\">act\u00ednica<\/span><\/span>. Es previsible que la precisi\u00f3n contin\u00fae aumentando y que se a\u00f1adan m\u00e1s categor\u00edas de lesiones a esta competencia anualmente.<\/p>\n<h2>Desarrollo de Algoritmos de Aprendizaje Autom\u00e1tico para la Clasificaci\u00f3n de Lesiones Cut\u00e1neas<\/h2>\n<p>Para desarrollar un nuevo algoritmo de aprendizaje autom\u00e1tico enfocado en el c\u00e1ncer de piel, cada tipo de lesi\u00f3n se codifica asign\u00e1ndole una clase espec\u00edfica. En su formulaci\u00f3n m\u00e1s b\u00e1sica, el sistema puede limitarse a dos clases, como 'benigno' y '<span class=\"term\" data-term-id=\"176\">maligno<\/span>', o '<span class=\"term\" data-term-id=\"353\">nevo<\/span>' y 'melanoma'. No obstante, los enfoques algor\u00edtmicos m\u00e1s avanzados son capaces de evaluar m\u00faltiples clases simult\u00e1neamente.<\/p>\n<p>Antes de que un algoritmo se aplique a una imagen nueva, los modelos de aprendizaje profundo requieren un riguroso entrenamiento utilizando un vasto n\u00famero de im\u00e1genes correspondientes a cada clase definida. Este proceso formativo se estructura t\u00edpicamente en tres fases principales (ilustradas en la figura 1).<\/p>\n<h3>Fase 1: Entrenamiento con Datos Etiquetados<\/h3>\n<p>Durante la Etapa 1, el algoritmo recibe la alimentaci\u00f3n de im\u00e1genes digitales, ya sean <span class=\"term\" data-term-id=\"1066\">macrosc\u00f3picas<\/span> o dermatosc\u00f3picas, que est\u00e1n meticulosamente etiquetadas con la \"verdad fundamental\". En este contexto, la verdad fundamental representa el diagn\u00f3stico definitivo de la lesi\u00f3n, el cual es establecido por un dermat\u00f3logo experto o se confirma mediante an\u00e1lisis <span class=\"term\" data-term-id=\"1419\">histopatol\u00f3gico<\/span>.<\/p>\n<p>Como parte de la optimizaci\u00f3n t\u00e9cnica y la mejora en la experiencia del usuario, se ha mejorado la estructura del contenido y se han agregado etiquetas alt descriptivas a los elementos multimedia que faltaban seg\u00fan la auditor\u00eda inicial. Se mantiene el idioma espa\u00f1ol a lo largo de todo el texto reescrito.<\/p>\n<section class=\"textBlock imageLinkBlockTitle\">\n<h2>Figura 1. Descripci\u00f3n general del entrenamiento de diferentes tipos de lesiones cut\u00e1neas con la ayuda del aprendizaje profundo<\/h2>\n<\/section>\n<section class=\"imageLinkBlock\">\n<div class=\"flex\">\n<div class=\"imageLinkBlock__item__image\">\n            <img decoding=\"async\" src=\"https:\/\/dermatly.com\/wp-content\/uploads\/2020\/11\/Overview-of-training-of-different-types-of-skin-lesions-with-the-help-of-deep-learning__ProtectWyJQcm90ZWN0Il0_FocusFillWzI5NCwyMjIsIngiLDBd..png\" alt=\"Resumen del entrenamiento de diferentes tipos de lesiones cut\u00e1neas utilizando aprendizaje profundo.\">\n        <\/div>\n<p class=\"p-small\">Resumen del entrenamiento de diferentes tipos de lesiones cut\u00e1neas con la ayuda del aprendizaje profundo.<\/p>\n<\/p><\/div>\n<\/section>\n<div class=\"clearfix imageLinkBlock\"><\/div>\n<h2>Etapa 2: Extracci\u00f3n de Caracter\u00edsticas<\/h2>\n<p>Durante la Etapa 2, las capas convolucionales (una secuencia de filtros aplicados a la imagen de entrada) son responsables de extraer el mapa de caracter\u00edsticas. Este mapa de caracter\u00edsticas representa los datos de la imagen con m\u00faltiples niveles de abstracci\u00f3n.<\/p>\n<ul>\n<li>Las capas convolucionales iniciales se enfocan en extraer caracter\u00edsticas de bajo nivel, como bordes, esquinas y patrones de forma b\u00e1sicos.<\/li>\n<li>Las capas convolucionales subsiguientes se centran en identificar caracter\u00edsticas de alto nivel necesarias para diferenciar y detectar el tipo espec\u00edfico de lesi\u00f3n cut\u00e1nea (ilustrado en la Figura 2).<\/li>\n<\/ul>\n<section class=\"textBlock imageLinkBlockTitle\">\n<h2>Figura 2. Mapas de caracter\u00edsticas t\u00edpicos aprendidos usando redes neuronales convolucionales<\/h2>\n<\/section>\n<section class=\"imageLinkBlock\">\n<div class=\"flex\">\n<div class=\"imageLinkBlock__item__image\">\n            <img decoding=\"async\" src=\"https:\/\/dermatly.com\/wp-content\/uploads\/2020\/11\/Fig2__ProtectWyJQcm90ZWN0Il0_FocusFillWzI5NCwyMjIsIngiLDBd.png\" alt=\"Ejemplo de mapas de caracter\u00edsticas generados por redes neuronales convolucionales.\">\n        <\/div>\n<p class=\"p-small\">Mapas de caracter\u00edsticas t\u00edpicos aprendidos usando redes neuronales convolucionales.<\/p>\n<\/p><\/div>\n<\/section>\n<div class=\"clearfix imageLinkBlock\"><\/div>\n<h2>Etapa 3: Clasificaci\u00f3n y Reconocimiento<\/h2>\n<p>En la Etapa 3, el clasificador de aprendizaje autom\u00e1tico emplea los mapas de caracter\u00edsticas generados previamente para el reconocimiento de patrones asociado a las distintas clases de lesiones cut\u00e1neas. Una vez completado este entrenamiento, el algoritmo de aprendizaje profundo ya est\u00e1 listo para clasificar nuevas im\u00e1genes (como se muestra en la Figura 3).<\/p>\n<section class=\"textBlock imageLinkBlockTitle\">\n<h2>Figura 3. Inferencia producida por algoritmos de aprendizaje profundo sobre una nueva imagen de una lesi\u00f3n cut\u00e1nea<\/h2>\n<\/section>\n<section class=\"imageLinkBlock\">\n<div class=\"flex\">\n<div class=\"imageLinkBlock__item__image\">\n            <img decoding=\"async\" src=\"https:\/\/dermatly.com\/wp-content\/uploads\/2020\/11\/Fig3__ProtectWyJQcm90ZWN0Il0_FocusFillWzI5NCwyMjIsIngiLDBd.png\" alt=\"Resultado de la inferencia de un algoritmo de aprendizaje profundo aplicado a una nueva imagen de lesi\u00f3n cut\u00e1nea.\">\n        <\/div>\n<p class=\"p-small\">Inferencia producida por algoritmos de aprendizaje profundo sobre una nueva imagen de una lesi\u00f3n cut\u00e1nea.<\/p>\n<\/p><\/div>\n<\/section>\n<div class=\"clearfix imageLinkBlock\"><\/div>\n<h1>Criterios ABCD para la Detecci\u00f3n de Lesiones Cut\u00e1neas<\/h1>\n<p>Los criterios cl\u00ednicos ABCD son herramientas clave utilizadas por profesionales y no expertos para la detecci\u00f3n inicial de lesiones cut\u00e1neas pigmentadas. Estos criterios incluyen: <strong>A<\/strong>simetr\u00eda, <strong>B<\/strong>ordes irregulares, <strong>C<\/strong>olor variado y <strong>D<\/strong>i\u00e1metro superior a 6 mm (Figura 4). Es fundamental recordar la extensi\u00f3n ABCDE del melanoma, que incorpora la 'E' de <strong>E<\/strong>voluci\u00f3n.<\/p>\n<p><strong>Asimetr\u00eda (A):<\/strong> Esta propiedad eval\u00faa si las dos mitades de la lesi\u00f3n cut\u00e1nea coinciden en t\u00e9rminos de forma y color tras dividirse por sus ejes largo y corto. Un melanoma frecuentemente exhibe una apariencia <span class=\"term\" data-term-id=\"16\">asim\u00e9trica<\/span>.<\/p>\n<p><strong>Bordes (B):<\/strong> Define si los l\u00edmites de la lesi\u00f3n son lisos y claramente definidos o si presentan irregularidades. Los c\u00e1nceres de piel generalmente se caracterizan por bordes mal definidos.<\/p>\n<p><strong>Color (C):<\/strong> Esta propiedad analiza la cantidad y diversidad de colores presentes en toda la lesi\u00f3n. El melanoma y el carcinoma basocelular pigmentado a menudo muestran entre 3 y 6 tonos (que van desde negro, tostado, marr\u00f3n oscuro, gris, azul, hasta rojo y blanco). En contraste, los <span class=\"term\" data-term-id=\"354\">nevos<\/span> y las pecas suelen limitarse a uno o dos colores, distribuidos de manera uniforme.<\/p>\n<p><strong>Di\u00e1metro (D):<\/strong> La propiedad del di\u00e1metro se refiere a la medida de la lesi\u00f3n, siendo un indicador de riesgo si excede t\u00edpicamente los 6 mil\u00edmetros. Esta dimensi\u00f3n ayuda a diferenciar las lesiones benignas de aquellas potencialmente malignas.<\/p>\n<p>La comprensi\u00f3n y aplicaci\u00f3n de los criterios ABCD mejoran significativamente la capacidad de identificar lesiones sospechosas que requieren evaluaci\u00f3n dermatol\u00f3gica profesional.<\/p>\n<p>El tama\u00f1o determina el di\u00e1metro aproximado de la lesi\u00f3n cut\u00e1nea. Generalmente, las lesiones cut\u00e1neas malignas suelen medir m\u00e1s de 6 mm (el equivalente al tama\u00f1o de un borrador de l\u00e1piz).<\/p>\n<section class=\"textBlock imageLinkBlockTitle\">\n<h2 class=\"colour--primary\">Figura 4. La regla ABCD para la detecci\u00f3n de c\u00e1ncer de piel<\/h2>\n<\/section>\n<section class=\"imageLinkBlock\">\n<div class=\"flex\">\n<div class=\"imageLinkBlock__item__image\">\n            <img decoding=\"async\" src=\"https:\/\/dermatly.com\/wp-content\/uploads\/2020\/11\/Fig4__ProtectWyJQcm90ZWN0Il0_FocusFillWzI5NCwyMjIsInkiLDg1XQ.png\" alt=\"Gr\u00e1fico explicativo de la regla cl\u00ednica ABCD utilizada para identificar el melanoma\">\n        <\/div>\n<p class=\"p-small\">Regla cl\u00ednica ABCD del melanoma<\/p>\n<\/p><\/div>\n<\/section>\n<div class=\"clearfix imageLinkBlock\"><\/div>\n<p>Yang y sus colaboradores introdujeron la regla ABCD para ser aplicada en el procesamiento de im\u00e1genes y en el desarrollo de algoritmos de aprendizaje autom\u00e1tico [16]. En su estudio, compararon la efectividad de su sistema con el rendimiento de varios m\u00e9dicos (generalistas, junior y expertos) y con diferentes algoritmos de aprendizaje profundo para el diagn\u00f3stico de lesiones cut\u00e1neas utilizando un conjunto de datos de prueba (Tabla 1). Para esta evaluaci\u00f3n, invitaron a dos especialistas de cada categor\u00eda m\u00e9dica.<\/p>\n<p>El sistema fue entrenado utilizando su conjunto de datos SD-198, que consta de 6,584 im\u00e1genes cl\u00ednicas que abarcan 198 categor\u00edas distintas de lesiones cut\u00e1neas. Para el entrenamiento, extrajeron caracter\u00edsticas visuales de bajo nivel basadas en tres componentes principales: textura, colores y bordes. El Sistema de Diagn\u00f3stico Asistido por Computadora (CAD) desarrollado por Yang demostr\u00f3 un rendimiento superior al de los algoritmos de aprendizaje profundo VGG-Net y ResNet, siendo comparable al desempe\u00f1o mostrado por los m\u00e9dicos con menos experiencia. A pesar de esto, los dermat\u00f3logos expertos resultaron ser significativamente <span class=\"term\" data-term-id=\"277\">superiores<\/span> en precisi\u00f3n al sistema CAD.<\/p>\n<table>\n<tbody>\n<caption>Evaluaci\u00f3n del desempe\u00f1o de m\u00e9todos computarizados y m\u00e9dicos en un conjunto de pruebas de 3292 im\u00e1genes<\/caption>\n<tr>\n<th colspan=\"2\">M\u00e9todos<\/th>\n<th>Exactitud (%)<\/th>\n<th>Error est\u00e1ndar<\/th>\n<\/tr>\n<tr>\n<td colspan=\"2\">Sistema CAD Yang<\/td>\n<td>56,47<\/td>\n<td>53.15<\/td>\n<\/tr>\n<tr>\n<td rowspan=\"3\">Expertos m\u00e9dicos<\/td>\n<td>M\u00e9dicos generales (n = 2)<\/td>\n<td>49,00<\/td>\n<td>47,50<\/td>\n<\/tr>\n<tr>\n<td>Doctores junior (n = 2)<\/td>\n<td>52,00<\/td>\n<td>53,40<\/td>\n<\/tr>\n<tr>\n<td>Dermat\u00f3logos expertos (n = 2)<\/td>\n<td>83,29<\/td>\n<td>85,00<\/td>\n<\/tr>\n<tr>\n<td>Aprendizaje profundo<\/td>\n<td>VGGNet<\/td>\n<td>50,27<\/td>\n<td>48.25<\/td>\n<\/tr>\n<tr>\n<td rowspan=\"2\">ResNet<\/td>\n<td>53,35<\/td>\n<td>51.25<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<div id=\"square-placement-country-holder\" class=\"country-dependent advert\">\n<div class=\"box-placement square-placement\">\n<div class=\"advert__frame\">\n            <!-- \/340621630\/dermnet_mobile_after4sections_300x250' --><\/p>\n<div style=\"display: none;\" id=\"hidden-div-gpt-ad-1484122037505-9\" class=\"[ js-hideable ]\"><\/div>\n<p>            <script>\n                if (ads_screenwidth < 780 ) {\n                    var inline = document.createElement(\"div\");\n                    var ad = document.createElement(\"div\");\n\n                    ad.id = 'div-gpt-ad-1484122037505-9';\n                    ad.style.height=\"250px\";\n                    ad.style.width=\"300px;\";\n\n                    inline.appendChild(ad);\n                    inline.className = \"inline\";\n                    var placeholder = document.getElementById(\"hidden-div-gpt-ad-1484122037505-9\");\n                    placeholder.parentNode.replaceChild(inline, placeholder);\n                    (function () {\n                        googletag.cmd.push(function () {\n                            googletag.display('div-gpt-ad-1484122037505-9');\n                        });\n                    })();\n                }\n            <\/script>\n        <\/div>\n<\/p><\/div>\n<\/div>\n<h2>Investigaciones adicionales de aprendizaje autom\u00e1tico en el diagn\u00f3stico del c\u00e1ncer de piel<\/h2>\n<p>IBM tambi\u00e9n est\u00e1 desarrollando una herramienta avanzada de inteligencia artificial denominada Watson, dise\u00f1ada para el an\u00e1lisis de im\u00e1genes de lesiones cut\u00e1neas con el fin de detectar el melanoma. Este sistema computacional eval\u00faa la lesi\u00f3n bas\u00e1ndose en seis par\u00e1metros clave para calcular la probabilidad maligna: el color, la irregularidad del borde, el grado de asimetr\u00eda, la presencia de <span class=\"term\" data-term-id=\"2069\">gl\u00f3bulo<\/span> y red vascular, la similitud con otras lesiones en su extensa base de datos, y una puntuaci\u00f3n espec\u00edfica de melanoma. Es importante notar que estos criterios son an\u00e1logos a los establecidos en la regla ABCD [17].<\/p>\n<p>Por su parte, MetaOptima Technology Inc. ha lanzado DermEngine, una plataforma robusta destinada a facilitar los servicios de teledermatolog\u00eda. Esta herramienta utiliza la b\u00fasqueda visual para comparar una imagen cl\u00ednica proporcionada por el usuario con miles de im\u00e1genes etiquetadas de <span class=\"term\" data-term-id=\"223\">patolog\u00eda<\/span>, obtenidas de dermat\u00f3logos expertos a nivel mundial. Emplean t\u00e9cnicas de aprendizaje profundo para identificar im\u00e1genes relacionadas bas\u00e1ndose en patrones visuales discernibles como el color, la forma y la estructura [18].<\/p>\n<h2>\u00bfCu\u00e1l<\/h2>\n<h1>El Futuro de la Inteligencia Artificial y el Diagn\u00f3stico del C\u00e1ncer de Piel: \u00bfReemplazo o Herramienta de Apoyo?<\/h1>\n<p>La investigaci\u00f3n que involucra la Inteligencia Artificial (IA) est\u00e1 logrando un <strong>progreso<\/strong> significativo en el diagn\u00f3stico de lesiones cut\u00e1neas. Sin embargo, es fundamental entender que la IA no sustituir\u00e1 a los expertos m\u00e9dicos en un futuro previsible. Primeramente, la evaluaci\u00f3n precisa requiere la intervenci\u00f3n humana para seleccionar la lesi\u00f3n sospechosa adecuada, tarea compleja a menudo realizada entre una multitud de lesiones de apariencia benigna.<\/p>\n<p>El diagn\u00f3stico m\u00e9dico integral se fundamenta en la elaboraci\u00f3n de un historial cl\u00ednico minucioso y el examen exhaustivo de los registros del paciente. Este proceso incorpora factores sist\u00e9micos como el origen \u00e9tnico, el color de la piel y el <strong>cabello<\/strong>, el color de ojos, la ocupaci\u00f3n, enfermedades previas, la medicaci\u00f3n actual, el da\u00f1o solar existente, la cantidad de nevos <strong>melanoc\u00edticos<\/strong> y los h\u00e1bitos de estilo de vida (incluyendo la exposici\u00f3n solar, tabaquismo y consumo de alcohol). Adem\u00e1s, el comportamiento previo de la lesi\u00f3n y los tratamientos administrados son elementos clave en la determinaci\u00f3n diagn\u00f3stica.<\/p>\n<p>La IA puede actuar como una herramienta de apoyo invaluable, ofreciendo una segunda opini\u00f3n experta y ayudando a descartar lesiones que son completamente benignas, como un nevus melanoc\u00edtico que presenta una apariencia <span class=\"term\" data-term-id=\"279\">sim\u00e9trica<\/span> tanto en color como en estructura.<\/p>\n<p>Es inevitable que estos algoritmos evolucionen, logrando una precisi\u00f3n mejorada en la detecci\u00f3n de lesiones cut\u00e1neas potencialmente malignas. Esto ocurrir\u00e1 a medida que las bases de datos se expandan, incorporando una mayor cantidad de im\u00e1genes y etiquetas m\u00e1s espec\u00edficas relacionadas con los pacientes y las respectivas lesiones analizadas.<\/p>\n<section>\n<p>A pesar de estos avances tecnol\u00f3gicos que prometen optimizar la eficiencia y la detecci\u00f3n temprana, el juicio cl\u00ednico, la empat\u00eda y la contextualizaci\u00f3n que ofrece un dermat\u00f3logo siguen siendo insustituibles para gestionar el diagn\u00f3stico y tratamiento definitivo del c\u00e1ncer de piel.<\/p>\n<\/section>\n","protected":false},"excerpt":{"rendered":"<p>Comprendiendo la Inteligencia Artificial y su Impacto en la Medicina La Inteligencia Artificial (IA) utiliza sistemas computacionales avanzados para ejecutar tareas que tradicionalmente requieren intelecto humano, tales como el reconocimiento visual y el procesamiento del lenguaje por voz. Esta disciplina se apoya en tecnolog\u00edas y algoritmos fundamentales como el aprendizaje autom\u00e1tico (Machine Learning), la rob\u00f3tica [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":132,"parent":0,"template":"","glossary-cat":[],"class_list":["post-297","glossary","type-glossary","status-publish","has-post-thumbnail","hentry"],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v26.2 (Yoast SEO v27.1.1) - https:\/\/yoast.com\/product\/yoast-seo-premium-wordpress\/ -->\n<title>Inteligencia artificial en dermatolog\u00eda - Dermatly.com - El sitio de tu piel<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/dermatly.com\/de\/kunstliche-intelligenz-in-der-dermatologie\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Inteligencia artificial en dermatolog\u00eda\" \/>\n<meta property=\"og:description\" content=\"Comprendiendo la Inteligencia Artificial y su Impacto en la Medicina La Inteligencia Artificial (IA) utiliza sistemas computacionales avanzados para ejecutar tareas que tradicionalmente requieren intelecto humano, tales como el reconocimiento visual y el procesamiento del lenguaje por voz. Esta disciplina se apoya en tecnolog\u00edas y algoritmos fundamentales como el aprendizaje autom\u00e1tico (Machine Learning), la rob\u00f3tica [&hellip;]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/dermatly.com\/de\/kunstliche-intelligenz-in-der-dermatologie\/\" \/>\n<meta property=\"og:site_name\" content=\"Dermatly.com - El sitio de tu piel\" \/>\n<meta property=\"article:modified_time\" content=\"2026-03-10T12:44:05+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/dermatly.com\/wp-content\/uploads\/2020\/11\/Overview-of-training-of-different-types-of-skin-lesions-with-the-help-of-deep-learning__ProtectWyJQcm90ZWN0Il0_FocusFillWzI5NCwyMjIsIngiLDBd.-3538757.png\" \/>\n\t<meta property=\"og:image:width\" content=\"294\" \/>\n\t<meta property=\"og:image:height\" content=\"222\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data1\" content=\"14\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/dermatly.com\/inteligencia-artificial-en-dermatologia\/\",\"url\":\"https:\/\/dermatly.com\/inteligencia-artificial-en-dermatologia\/\",\"name\":\"Inteligencia artificial en dermatolog\u00eda - Dermatly.com - El sitio de tu piel\",\"isPartOf\":{\"@id\":\"https:\/\/dermatly.com\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/dermatly.com\/inteligencia-artificial-en-dermatologia\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/dermatly.com\/inteligencia-artificial-en-dermatologia\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/dermatly.com\/wp-content\/uploads\/2020\/11\/Overview-of-training-of-different-types-of-skin-lesions-with-the-help-of-deep-learning__ProtectWyJQcm90ZWN0Il0_FocusFillWzI5NCwyMjIsIngiLDBd.-3538757.png\",\"datePublished\":\"2020-11-03T11:46:31+00:00\",\"dateModified\":\"2026-03-10T12:44:05+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/dermatly.com\/inteligencia-artificial-en-dermatologia\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/dermatly.com\/inteligencia-artificial-en-dermatologia\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/dermatly.com\/inteligencia-artificial-en-dermatologia\/#primaryimage\",\"url\":\"https:\/\/dermatly.com\/wp-content\/uploads\/2020\/11\/Overview-of-training-of-different-types-of-skin-lesions-with-the-help-of-deep-learning__ProtectWyJQcm90ZWN0Il0_FocusFillWzI5NCwyMjIsIngiLDBd.-3538757.png\",\"contentUrl\":\"https:\/\/dermatly.com\/wp-content\/uploads\/2020\/11\/Overview-of-training-of-different-types-of-skin-lesions-with-the-help-of-deep-learning__ProtectWyJQcm90ZWN0Il0_FocusFillWzI5NCwyMjIsIngiLDBd.-3538757.png\",\"width\":294,\"height\":222,\"caption\":\"overview-of-training-of-different-types-of-skin-lesions-with-the-help-of-deep-learning__protectwyjqcm90zwn0il0_focusfillwzi5ncwymjisingildbd-3538757-1463163-png-8652578\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/dermatly.com\/inteligencia-artificial-en-dermatologia\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/dermatly.com\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Glossary\",\"item\":\"https:\/\/dermatly.com\/glossary\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Inteligencia artificial en dermatolog\u00eda\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/dermatly.com\/#website\",\"url\":\"https:\/\/dermatly.com\/\",\"name\":\"Dermatly.com - El sitio de tu piel\",\"description\":\"Dermatolog\u00eda y lesiones de la piel\",\"publisher\":{\"@id\":\"https:\/\/dermatly.com\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/dermatly.com\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/dermatly.com\/#organization\",\"name\":\"dermatly.com\",\"url\":\"https:\/\/dermatly.com\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/dermatly.com\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/dermatly.com\/wp-content\/uploads\/2020\/11\/dermatly-logo.png\",\"contentUrl\":\"https:\/\/dermatly.com\/wp-content\/uploads\/2020\/11\/dermatly-logo.png\",\"width\":448,\"height\":110,\"caption\":\"dermatly.com\"},\"image\":{\"@id\":\"https:\/\/dermatly.com\/#\/schema\/logo\/image\/\"}}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Inteligencia artificial en dermatolog\u00eda - Dermatly.com - El sitio de tu piel","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/dermatly.com\/de\/kunstliche-intelligenz-in-der-dermatologie\/","og_locale":"de_DE","og_type":"article","og_title":"Inteligencia artificial en dermatolog\u00eda","og_description":"Comprendiendo la Inteligencia Artificial y su Impacto en la Medicina La Inteligencia Artificial (IA) utiliza sistemas computacionales avanzados para ejecutar tareas que tradicionalmente requieren intelecto humano, tales como el reconocimiento visual y el procesamiento del lenguaje por voz. Esta disciplina se apoya en tecnolog\u00edas y algoritmos fundamentales como el aprendizaje autom\u00e1tico (Machine Learning), la rob\u00f3tica [&hellip;]","og_url":"https:\/\/dermatly.com\/de\/kunstliche-intelligenz-in-der-dermatologie\/","og_site_name":"Dermatly.com - El sitio de tu piel","article_modified_time":"2026-03-10T12:44:05+00:00","og_image":[{"width":294,"height":222,"url":"https:\/\/dermatly.com\/wp-content\/uploads\/2020\/11\/Overview-of-training-of-different-types-of-skin-lesions-with-the-help-of-deep-learning__ProtectWyJQcm90ZWN0Il0_FocusFillWzI5NCwyMjIsIngiLDBd.-3538757.png","type":"image\/png"}],"twitter_card":"summary_large_image","twitter_misc":{"Gesch\u00e4tzte Lesezeit":"14\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/dermatly.com\/inteligencia-artificial-en-dermatologia\/","url":"https:\/\/dermatly.com\/inteligencia-artificial-en-dermatologia\/","name":"Inteligencia artificial en dermatolog\u00eda - Dermatly.com - El sitio de tu piel","isPartOf":{"@id":"https:\/\/dermatly.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/dermatly.com\/inteligencia-artificial-en-dermatologia\/#primaryimage"},"image":{"@id":"https:\/\/dermatly.com\/inteligencia-artificial-en-dermatologia\/#primaryimage"},"thumbnailUrl":"https:\/\/dermatly.com\/wp-content\/uploads\/2020\/11\/Overview-of-training-of-different-types-of-skin-lesions-with-the-help-of-deep-learning__ProtectWyJQcm90ZWN0Il0_FocusFillWzI5NCwyMjIsIngiLDBd.-3538757.png","datePublished":"2020-11-03T11:46:31+00:00","dateModified":"2026-03-10T12:44:05+00:00","breadcrumb":{"@id":"https:\/\/dermatly.com\/inteligencia-artificial-en-dermatologia\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/dermatly.com\/inteligencia-artificial-en-dermatologia\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/dermatly.com\/inteligencia-artificial-en-dermatologia\/#primaryimage","url":"https:\/\/dermatly.com\/wp-content\/uploads\/2020\/11\/Overview-of-training-of-different-types-of-skin-lesions-with-the-help-of-deep-learning__ProtectWyJQcm90ZWN0Il0_FocusFillWzI5NCwyMjIsIngiLDBd.-3538757.png","contentUrl":"https:\/\/dermatly.com\/wp-content\/uploads\/2020\/11\/Overview-of-training-of-different-types-of-skin-lesions-with-the-help-of-deep-learning__ProtectWyJQcm90ZWN0Il0_FocusFillWzI5NCwyMjIsIngiLDBd.-3538757.png","width":294,"height":222,"caption":"overview-of-training-of-different-types-of-skin-lesions-with-the-help-of-deep-learning__protectwyjqcm90zwn0il0_focusfillwzi5ncwymjisingildbd-3538757-1463163-png-8652578"},{"@type":"BreadcrumbList","@id":"https:\/\/dermatly.com\/inteligencia-artificial-en-dermatologia\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/dermatly.com\/"},{"@type":"ListItem","position":2,"name":"Glossary","item":"https:\/\/dermatly.com\/glossary\/"},{"@type":"ListItem","position":3,"name":"Inteligencia artificial en dermatolog\u00eda"}]},{"@type":"WebSite","@id":"https:\/\/dermatly.com\/#website","url":"https:\/\/dermatly.com\/","name":"Dermatly.com - Die Seite f\u00fcr Ihre Haut","description":"Dermatologie und Hautl\u00e4sionen","publisher":{"@id":"https:\/\/dermatly.com\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/dermatly.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/dermatly.com\/#organization","name":"dermatly.com","url":"https:\/\/dermatly.com\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/dermatly.com\/#\/schema\/logo\/image\/","url":"https:\/\/dermatly.com\/wp-content\/uploads\/2020\/11\/dermatly-logo.png","contentUrl":"https:\/\/dermatly.com\/wp-content\/uploads\/2020\/11\/dermatly-logo.png","width":448,"height":110,"caption":"dermatly.com"},"image":{"@id":"https:\/\/dermatly.com\/#\/schema\/logo\/image\/"}}]}},"_links":{"self":[{"href":"https:\/\/dermatly.com\/de\/wp-json\/wp\/v2\/glossary\/297","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/dermatly.com\/de\/wp-json\/wp\/v2\/glossary"}],"about":[{"href":"https:\/\/dermatly.com\/de\/wp-json\/wp\/v2\/types\/glossary"}],"author":[{"embeddable":true,"href":"https:\/\/dermatly.com\/de\/wp-json\/wp\/v2\/users\/1"}],"version-history":[{"count":2,"href":"https:\/\/dermatly.com\/de\/wp-json\/wp\/v2\/glossary\/297\/revisions"}],"predecessor-version":[{"id":23282,"href":"https:\/\/dermatly.com\/de\/wp-json\/wp\/v2\/glossary\/297\/revisions\/23282"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dermatly.com\/de\/wp-json\/wp\/v2\/media\/132"}],"wp:attachment":[{"href":"https:\/\/dermatly.com\/de\/wp-json\/wp\/v2\/media?parent=297"}],"wp:term":[{"taxonomy":"glossary-cat","embeddable":true,"href":"https:\/\/dermatly.com\/de\/wp-json\/wp\/v2\/glossary-cat?post=297"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}