MyLenoma: una app de triaje de cáncer de piel en una semana

El encargo

Crear una app que estime el riesgo de cáncer de piel a partir de una foto del móvil, pensada para quienes tienen poco acceso al dermatólogo y para personas de alto riesgo. Teníamos una semana.

Qué construimos

Una ResNet50 reentrenada en MATLAB por aprendizaje por transferencia, en la que sustituimos las últimas capas por una capa totalmente conectada de cinco neuronas, una capa softmax y una capa de clasificación. Clasifica las lesiones en cinco clases —benigna, queratosis actínica, melanoma, carcinoma basocelular y carcinoma espinocelular—, que la app agrupa como benignas, precancerosas o cancerosas. La entrenamos con 2.500 imágenes del ISIC Archive, 500 por clase.

Diagrama de flujo en cinco pasos del pipeline de la CNN en MATLAB, desde la preparación del dataset hasta la prueba — El pipeline de aprendizaje por transferencia tal como lo presentó el equipo: preparación del dataset, carga de la ResNet-50 preentrenada, sustitución de sus últimas capas, opciones de entrenamiento y, por último, entrenamiento y prueba.

Cada predicción va acompañada de un mapa de calor Grad-CAM y una puntuación de confianza, para que el usuario vea en qué parte de la imagen se ha fijado el modelo. Los datos se guardan en una base de datos relacional de dos tablas con los inicios de sesión, las imágenes y las medidas. La interfaz tiene cuatro pantallas en MATLAB App Designer con captura en directo desde la cámara del móvil, un paso para repetir y confirmar la foto y una herramienta de medida para seguir el tamaño de un lunar a lo largo del tiempo. Esa herramienta es una adaptación de Jann5s/measuretool, una herramienta de MATLAB de código abierto.

Mi parte

Reentrené la ResNet50, construí la base de datos SQL y escribí el resumen ejecutivo. El resumen abarcaba los usuarios objetivo, una evaluación de factibilidad, deseabilidad y viabilidad, la competencia (SkinIO, MoleMapper), el caso de mercado (un 99% de supervivencia a cinco años si el melanoma se detecta pronto y un 30% si se ha extendido, y unas 11 semanas de espera para dermatología en el NHS), el riesgo legal de un diagnóstico erróneo y los ODS de la ONU pertinentes. Declaramos que habíamos usado herramientas de IA para ayudarnos a depurar el código.

Resultado

Biomedical Engineering Presentation Award al mejor proyecto de la promoción (86%).

La precisión del modelo quedó por debajo de lo que exigiría un uso clínico, y así lo dijimos en nuestra evaluación. Las principales limitaciones eran el tamaño del conjunto de entrenamiento y su sesgo hacia la piel clara. Por eso cada predicción se muestra con un mapa de calor Grad-CAM y una puntuación de confianza. Lo cuento con más detalle en un artículo sobre lo que me enseñó el modelo.