DOI: 10.26820/reciamuc/9.(2).abril.2025.675-687
URL: https://reciamuc.com/index.php/RECIAMUC/article/view/1622
EDITORIAL: Saberes del Conocimiento
REVISTA: RECIAMUC
ISSN: 2588-0748
TIPO DE INVESTIGACIÓN: Artículo de revisión
CÓDIGO UNESCO: 32 Ciencias Médicas
PAGINAS: 675-687
Detección Ultra-Temprana de melanoma con redes neuronales
convolucionales: Implicaciones para la resección quirúrgica
guiada por inteligencia articial
Ear auricle reconstruction for microtia and trauma: Complementary roles
of plastic surgery and dermatology in treatment and follow-up
Ultra-Early melanoma detection with convolutional neural networks:
Implications for artificial intelligence-guided surgical resection
Jhoselyn Odalys Anchatuña Caisa
1
; Daniela Lisette Araujo Vega
2
; Cinthya Yadira Cadena Vaca
3
;
Paola Alejandra Villagrán Herrero
4
RECIBIDO: 05/01/2025 ACEPTADO: 15/03/2025 PUBLICADO: 03/09/2025
1. Médico General, Investigadora Independiente; Latacunga, Ecuador; odajh18@hotmail.com; https://orcid.org/0000-
0002-0228-1235
2. Médica; Investigadora Independiente; Guayaquil, Ecuador; danielaraujov5@gmail.com; https://orcid.org/0009-
0000-0734-9991
3. Máster en Dirección y Gestión Sanitaria; Médico General; Médico General en Empresa Eléctrica Riobamba S.A. / Médico
1; Riobamba, Ecuador; ccadena.4amdc@gmail.com; https://orcid.org/0009-0004-8900-272X
4. Médica Cirujana; Investigadora Independiente; Quito, Ecuador; paopao_159@hotmail.es; https://orcid.org/0000-
0002-5282-6248
CORRESPONDENCIA
Jhoselyn Odalys Anchatuña Caisa
odajh18@hotmail.com
Latacunga, Ecuador
© RECIAMUC; Editorial Saberes del Conocimiento, 2025
RESUMEN
La revisión bibliográfica se realizó para analizar el uso de redes neuronales convolucionales (CNN) en la detección ul-
tra-temprana de melanoma, y sus implicaciones para la resección quirúrgica guiada por inteligencia artificial (IA). Se con-
sultaron bases de datos académicas como PubMed, Scopus y Web of Science. La búsqueda se restringió a publicaciones
de los últimos diez años, filtrando estudios que presentaban resultados de modelos de CNN aplicados a imágenes der-
matoscópicas y su impacto en la precisión del diagnóstico. Adicionalmente, se priorizaron artículos que discutían la inte-
gración de la IA en la planificación y ejecución de procedimientos quirúrgicos para la resección del melanoma. La sinergia
entre la detección temprana impulsada por CNN y la guía quirúrgica asistida por IA está creando un nuevo paradigma en
el tratamiento del melanoma. Esta combinación promete mejorar drásticamente las tasas de éxito de las cirugías, minimi-
zar los procedimientos invasivos y reducir la recurrencia de la enfermedad. A medida que estas tecnologías maduran y se
integran plenamente en la práctica clínica, la IA pasará de ser una herramienta de apoyo a convertirse en un componente
indispensable del tratamiento integral del cáncer de piel.
Palabras clave: Melanoma, Detección temprana, Redes neuronales, Dermatoscopía, Cirugía guiada.
ABSTRACT
This literature review was conducted to analyze the use of convolutional neural networks (CNNs) for the ultra-early de-
tection of melanoma and its implications for surgical resection guided by artificial intelligence (AI). Academic databases
such as PubMed, Scopus, and Web of Science were consulted. The search was restricted to publications from the last ten
years, filtering for studies that presented results from CNN models applied to dermoscopic images and their impact on
diagnostic accuracy. Additionally, articles discussing the integration of AI into the planning and execution of surgical pro-
cedures for melanoma resection were prioritized. The synergy between early detection powered by CNNs and AI-assisted
surgical guidance is creating a new paradigm in melanoma treatment. This combination promises to dramatically improve
surgical success rates, minimize invasive procedures, and reduce disease recurrence. As these technologies mature and
become fully integrated into clinical practice, AI will transition from being a support tool to an indispensable component of
comprehensive skin cancer treatment.
Keywords: Early detection, Convolutional neural networks, AI-guided surgery, Dermoscopy.
RESUMO
Esta revisão bibliográfica foi realizada para analisar o uso de redes neurais convolucionais (CNNs) para a deteção ultra-
precoce do melanoma e suas implicações para a ressecção cirúrgica guiada por inteligência artificial (IA). Foram consul-
tadas bases de dados académicas como PubMed, Scopus e Web of Science. A pesquisa foi restrita a publicações dos
últimos dez anos, filtrando estudos que apresentavam resultados de modelos CNN aplicados a imagens dermatoscópicas
e seu impacto na precisão do diagnóstico. Além disso, foram priorizados artigos que discutiam a integração da IA no
planeamento e execução de procedimentos cirúrgicos para ressecção de melanoma. A sinergia entre a deteção precoce
impulsionada por CNNs e a orientação cirúrgica assistida por IA está a criar um novo paradigma no tratamento do melano-
ma. Esta combinação promete melhorar drasticamente as taxas de sucesso cirúrgico, minimizar procedimentos invasivos
e reduzir a recorrência da doença. À medida que estas tecnologias amadurecem e se tornam totalmente integradas na
prática clínica, a IA passará de uma ferramenta de apoio para um componente indispensável do tratamento abrangente
do cancro da pele.
Palavras-chave: Deteção precoce, Redes neurais convolucionais, Cirurgia guiada por IA, Dermoscopia.
677
RECIAMUC VOL. 9 Nº 2 (2025)
Introducción
Las enfermedades cutáneas son un grupo
de afecciones de la dermis, caracterizadas
por el cambio de aspecto que presentan en
comparación con la piel sana. La presencia
de lesiones en la piel se hace cada vez más
común afectando a personas sin importar
su edad o género, esto se debe a la conti-
nua exposición al medio ambiente fluctuan-
te actual. Una temprana detección de es-
tas lesiones se vuelve vital para la toma de
decisión en cuanto al tratamiento a seguir.
Durante la inspección clínica, dependiendo
de la experiencia, la pericia y la precisión, el
médico se vale de técnicas y herramientas
que lo orientan a un diagnóstico más cerca-
no al real. Un mal diagnóstico se traduce en
exámenes complementarios innecesarios,
demora en aplicación del tratamiento co-
rrecto y propagación de la lesión (1).
El cáncer es una enfermedad que altera el
proceso natural de vida de las células, ha-
ciendo que crezcan y se dividan de forma
descontrolada. Esta acumulación de célu-
las anormales forma tumores malignos que
pueden propagarse a otras partes del cuer-
po a través de un proceso llamado metásta-
sis, que es la principal causa de muerte por
cáncer. El diagnóstico tardío y la falta de tra-
tamiento adecuado son factores clave en el
sufrimiento y la mortalidad de los pacientes.
Entre los distintos tipos de cáncer, el cáncer
de piel es uno de los más comunes y se
divide en tres categorías principales: carci-
noma de células escamosas, carcinoma de
células basales y melanoma (2).
El diagnóstico tradicional del melanoma en
la piel, basado en la experiencia de exper-
tos y el análisis visual, tiene limitaciones que
afectan su fiabilidad. Por esta razón, se es-
tán explorando nuevas alternativas, como la
inteligencia artificial (IA). Según la investi-
gación de Venkatesh et al. (2024) citado por
Leoó N Alarcoó N (3), el diagnóstico der-
matológico con IA ha ampliado su alcance
más allá del cáncer de piel para incluir una
gran variedad de enfermedades cutáneas,
DETECCIÓN ULTRA-TEMPRANA DE MELANOMA CON REDES NEURONALES CONVOLUCIONALES: IMPLI-
CACIONES PARA LA RESECCIÓN QUIRÚRGICA GUIADA POR INTELIGENCIA ARTIFICIAL
lo que abre nuevas posibilidades en la aten-
ción dermatológica. A pesar de esto, la FDA
(Food and Drug Administration) aún no ha
aprobado ningún dispositivo de IA para el
diagnóstico o tratamiento de estas afeccio-
nes. El aumento de la teledermatología du-
rante la pandemia de COVID-19 ha hecho
que haya más bases de datos de imágenes
de la piel disponibles para entrenar los mo-
delos de IA. Esto es un avance clave para el
desarrollo de esta tecnología.
Los avances en las tecnologías de inteligen-
cia artificial han logrado abarcar un sinfín de
campos, incluyendo el de la diagnosis de pa-
tologías en la medicina, y cada día es más
común el uso de esta en el estudio de imá-
genes, más aún luego de que se desarrollara
el concepto de las redes neuronales convo-
lucionales. A diferencia del “ojo clínico”, una
red neuronal es entrenada con miles, hasta
millones de datos para clasificar información
según sea deseado. Los beneficios a largo
plazo de la Inteligencia Artificial en el proceso
de diagnóstico de los melanomas prometen
salvar miles de vidas cada año, por lo cual,
el siguiente trabajo de investigación busca
desarrollar un sistema basado en redes neu-
ronales convolucionales capaz de identificar
melanomas a partir de imágenes (4).
Metodología
La revisión bibliográfica se realizó para ana-
lizar el uso de redes neuronales convolucio-
nales (CNN) en la detección ultra-temprana
de melanoma, y sus implicaciones para la
resección quirúrgica guiada por inteligencia
artificial (IA). Se consultaron bases de datos
académicas como PubMed, Scopus y Web
of Science, usando palabras clave como
"melanoma", "early detection", "convolutio-
nal neural networks", "AI-guided surgery" y
"dermoscopy". La búsqueda se restringió
a publicaciones de los últimos diez años,
filtrando estudios que presentaban resulta-
dos de modelos de CNN aplicados a imá-
genes dermatoscópicas y su impacto en la
precisión del diagnóstico. Adicionalmente,
se priorizaron artículos que discutían la in-
678
RECIAMUC VOL. 9 Nº 2 (2025)
tegración de la IA en la planificación y eje-
cución de procedimientos quirúrgicos para
la resección del melanoma.
Resultados
Melanoma
TDS
Diagnostico
Menor a 4.75
Benigno
Entre 4.75 a 5.45
Sospechosos
Mayor a 5.45
Maligno
Figura 1. Melanoma
Fuente: Rubio Camacho (5).
El melanoma es un tipo de cáncer de piel
o tumor originado en los melanocitos, de
los cuales obtienen su color oscuro tan ca-
racterístico. Aunque ciertos melanomas no
producen melanina, produciendo un co-
lor rosado e incluso blanco. Este tumor es
conocido como el cáncer de piel más peli-
groso debido a su rapidez de crecimiento,
como a su gran capacidad de metástasis.
Su temprano diagnóstico es crucial para
evitar su propagación y poder recibir trata-
miento adecuado. La profundidad de la le-
sión es un factor determinante y crítico en el
diagnóstico, ya que está directamente rela-
cionado con la gravedad del tumor (5).
Diagnóstico
Tabla 1. Interpretación del índice derma-
toscópico total para la regla del ABCD
Fuente: Sánchez Sánchez (6).
Existen varias metodologías para la detec-
ción de cáncer de piel, como el método
Menzies, el método ABCD y el Análisis de
patrones, siendo este último el más efecti-
vo y usado por médicos con experiencia. El
Análisis de patrones clasifica las lesiones
basándose en patrones globales y estruc-
turas localizadas, y se complementa con la
regla ABCD. Esta regla evalúa la asimetría,
los bordes, el color (buscando seis tonali-
dades específicas) y las estructuras derma-
toscópicas de la lesión. A cada uno de es-
tos criterios se le asigna un valor que, al ser
multiplicado por un peso ponderado, deter-
mina el valor TDS final, que sirve como una
medida para la clasificación de la lesión (6).
TDS = 1,3A + 0,1B + 0,5C + 0,5D
Desafíos en la detección temprana
A pesar de los avances en técnicas diag-
nósticas, la detección temprana del cáncer
de piel enfrenta varios desafíos. La evalua-
ción clínica tradicional depende en gran
medida de la experiencia del dermatólogo
y de herramientas como la dermatoscopia.
Sin embargo, la variabilidad en la interpre-
tación de las lesiones y la limitada disponi-
bilidad de especialistas en áreas rurales o
de bajos recursos pueden retrasar el diag-
nóstico. Además, la creciente demanda de
consultas dermatológicas ha generado lis-
tas de espera prolongadas, lo que puede
comprometer la atención oportuna. En este
contexto, se hace evidente la necesidad de
soluciones innovadoras que complementen
y optimicen el proceso diagnóstico (7).
Diagnóstico clínico del melanoma cutáneo
• Inspección visual
Este es el primer paso en la detección. Se
basa en observar cambios en la apariencia
de una lesión cutánea, como la forma, el co-
lor, el tamaño y la textura. Aunque es una
herramienta importante, su efectividad de-
pende de la experiencia del dermatólogo, lo
que puede llevar a diagnósticos erróneos.
ANCHATUÑA CAISA, J. O., ARAUJO VEGA, D. L., CADENA VACA, C. Y. ., & VILLAGRÁN HERRERO, P. A.
679
RECIAMUC VOL. 9 Nº 2 (2025)
• Dermatoscopia
Esta técnica no invasiva utiliza un derma-
toscopio para ver estructuras internas y
patrones de pigmentación que no se ven a
simple vista. Permite diferenciar entre lesio-
nes benignas y malignas, lo que es crucial
para la detección temprana. Sin embargo,
al igual que la inspección visual, su eficacia
está ligada a la experiencia del médico.
• Biopsia e Histopatología
Este es el método definitivo para confirmar
el diagnóstico de melanoma. Se extrae una
muestra de tejido de la lesión sospechosa
para un análisis microscópico. Este análisis
determina la presencia de células cance-
rosas y su grado de invasión, lo que es vital
para el plan de tratamiento. Aunque es el "es-
tándar de oro", es un procedimiento invasivo
que solo se realiza después de que los otros
métodos sugieran la presencia de melanoma.
Inteligencia articial
La Inteligencia Artificial (IA) ha sido definida
a lo largo de los años por figuras clave como
Alan Turing y John McCarthy. Mientras que
Turing, considerado el padre de la IA, sentó
las bases con su propuesta de si las máqui-
nas pueden pensar y la creación del test de
Turing, McCarthy definió la IA como la ciencia
de crear máquinas y programas inteligentes
sin limitarse a la inteligencia biológica. Con-
trario a la visión de la ficción que la ve como
una amenaza, la IA busca imitar y superar la
inteligencia humana en campos de gran ca-
pacidad de cálculo, y su desarrollo ha sido
consolidado por referentes como Stuart Rus-
sell y Peter Norvig, autores del libro de texto
más popular sobre el tema. En esencia, la
IA es la capacidad de un dispositivo artificial
para realizar tareas propias de la inteligencia
humana, como el cálculo, la memorización,
el aprendizaje y la creatividad (8).
La IA en la dermatología
La Inteligencia Artificial (IA), especialmente
a través del aprendizaje profundo y las re-
des neuronales convolucionales (CNN), se
ha convertido en una herramienta promete-
dora en la dermatología. Se ha demostra-
do que la IA puede clasificar lesiones cutá-
neas con una precisión comparable a la de
dermatólogos experimentados. Un ejemplo
destacado es el estudio de la Universidad
de Stanford, donde una CNN entrenada con
más de 129,000 imágenes logró una preci-
sión similar a la de 21 dermatólogos (7).
Además, la IA se está integrando en disposi-
tivos médicos innovadores para la detección
del cáncer de piel. Por ejemplo, el dispositi-
vo DermaSensor, aprobado por la FDA, uti-
liza IA para evaluar lesiones en tiempo real
y ayudar a los médicos a decidir si remitir a
un especialista. En el Reino Unido, el sistema
de IA llamado Derm permite analizar imáge-
nes de lunares con un iPhone en segundos,
lo que reduce las listas de espera y mejora la
eficiencia del diagnóstico (7).
Herramientas tecnológicas
• Aprendizaje automático
El aprendizaje automático (ML) es un área
de la IA que se centra en crear modelos que
aprendan por sí mismos a partir de grandes
conjuntos de datos. Utilizando técnicas es-
tadísticas, estos modelos encuentran patro-
nes en los datos para hacer predicciones,
lo que permite reutilizarlos para diversos
problemas. Este paradigma se ha benefi-
ciado enormemente del auge de los datos
masivos, lo que ha llevado a hitos notables
como la derrota del campeón de ajedrez
Garri Kaspárov por el sistema Deep Blue de
IBM en 1997, la victoria de AlphaGo de Goo-
gle DeepMind sobre el campeón de Go en
2015, y el desarrollo de AlphaFold para pre-
decir estructuras de proteínas. Más recien-
temente, la empresa OpenAI creó DALL·E
2, una herramienta que genera imágenes
superrealistas a partir de descripciones de
texto, demostrando el poder del ML para in-
novar en diferentes campos. A diferencia de
la programación tradicional, el ML se basa
en datos en lugar de reglas explícitas, lo que
ofrece un enfoque más general y reutilizable
para la resolución de problemas (8).
DETECCIÓN ULTRA-TEMPRANA DE MELANOMA CON REDES NEURONALES CONVOLUCIONALES: IMPLI-
CACIONES PARA LA RESECCIÓN QUIRÚRGICA GUIADA POR INTELIGENCIA ARTIFICIAL
680
RECIAMUC VOL. 9 Nº 2 (2025)
Diagnóstico de lesiones pigmentadas
La IA ha demostrado un rendimiento ex-
cepcional en la clasificación de lesiones
pigmentadas. Modelos de CNN entrenados
con miles de imágenes han alcanzado nive-
les de precisión comparables a los de der-
matólogos certificados (9).
• Precisión diagnóstica: Algunos estudios
han reportado una precisión de hasta el
94% para la detección de melanoma. Un
modelo de CNN pre-entrenado igualó el
rendimiento de 21 dermatólogos, logran-
do una alta área bajo la curva (AUC) de
0.96 para carcinomas y melanomas.
• Imágenes clínicas vs. dermatoscópi-
cas: Aunque la mayoría de los estudios se
centran en imágenes dermatoscópicas,
hay una necesidad creciente de investi-
gar el uso de imágenes clínicas macros-
cópicas, ya que estas son más accesibles
para profesionales no dermatólogos.
• Herramientas de apoyo: Los chatbots
con IA también están emergiendo como
herramientas útiles, asistiendo a los der-
matólogos con diagnósticos diferenciales
y conocimientos educativos, aunque su
precisión varía según el tipo de lesión (9).
Dermatoscopia y su impacto
La IA se ha utilizado en el análisis de imá-
genes dermatoscópicas durante más de 20
años. Los estudios comparativos muestran
que la IA puede igualar o incluso superar
a los expertos humanos en la identificación
de lesiones benignas y malignas (9).
• Mejora de la precisión humana: El apo-
yo de la IA ha demostrado aumentar la
precisión de los dermatólogos y residen-
tes, especialmente en casos de diag-
nósticos complejos.
• Desafíos: A pesar de los avances, los
modelos de IA son extremadamente sen-
sibles a cambios mínimos en la imagen
que un ojo humano podría ignorar (9).
Patología de lesiones pigmentadas
El diagnóstico histopatológico asistido por
computadora ha resurgido gracias a la IA y
los escáneres de imágenes de diapositivas
completas (WSI) (9).
• Clasicación histológica: Los modelos
de CNN pueden clasificar lesiones me-
lanocíticas con una tasa de discordan-
cia similar a la que existe entre patólo-
gos humanos.
• Importancia de los datos: La precisión
de la IA depende en gran medida de la
calidad del conjunto de datos de entre-
namiento. Un estudio demostró que una
selección meticulosa de imágenes es
crucial para mantener la alta precisión
diagnóstica.
• Limitaciones: La IA en patología aún
enfrenta retos como la inmensa variabili-
dad morfológica de las lesiones, la sen-
sibilidad a las variaciones de tinción de
las diapositivas y las limitaciones de los
esquemas de clasificación binaria que
pueden simplificar demasiado diagnós-
ticos complejos (9).
Aprendizaje automático aplicado al diag-
nóstico de melanoma
En el campo de la visión por computadora
hay diferentes usos del aprendizaje auto-
mático que se pueden emplear para anali-
zar una imagen:
• Clasicación de imágenes: dada una
imagen, se pretende determinar a qué
clase pertenece. En el caso de imágenes
dermatoscópicas, se puede clasificar
una imagen en un tipo determinado de
lesión cutánea (melanoma, angiofibroma,
dermatofibroma, lentigo, etc.) (10).
• Detección de objetos: se identifica la pre-
sencia de objetos con un cuadro delimita-
dor y predice a que clase pertenecen los
objetos ubicados en una imagen. Corres-
pondería a detectar distintas lesiones cu-
táneas en una imagen y delimitarlas (10).
ANCHATUÑA CAISA, J. O., ARAUJO VEGA, D. L., CADENA VACA, C. Y. ., & VILLAGRÁN HERRERO, P. A.
681
RECIAMUC VOL. 9 Nº 2 (2025)
• Segmentación semántica: se clasifican
todos los píxeles de una imagen en cla-
ses de objetos. Estas clases son inter-
pretables semánticamente y se asocian
a categorías. Por ejemplo, se podría ais-
lar todos los píxeles asociados a un me-
lanoma y colorearlos con una tonalidad
distinta al resto de la imagen (10).
• Segmentación de instancias: se seña-
lan los píxeles de varios objetos u ano-
malías concretas, identificando cada
instancia de forma individual (10).
Deep learning
El aprendizaje profundo (DL) es un subcon-
junto del aprendizaje automático que utiliza
redes neuronales para aprender de grandes
cantidades de datos, tanto estructurados
como no estructurados (texto o imágenes).
El auge del DL se debe al aumento de la
capacidad de cálculo de los ordenadores,
lo que permite el procesamiento de datos
masivos. Hitos notables en este campo in-
cluyen "The Cat Experiment" de Google en
2012 y la victoria de AlphaGo en 2016. Esta
tecnología está detrás de avances como la
conducción autónoma, el reconocimiento
facial y los chatbots de atención al cliente.
La principal diferencia entre los métodos de
DL y otras técnicas es su capacidad para
adaptarse a los cambios en los datos a me-
dida que se va alimentando el sistema (8).
• Computer visión
La visión por ordenador es un subcampo
de la IA que permite a las máquinas extraer
información de imágenes y vídeos para to-
mar decisiones y mejorar la precisión de
sus predicciones. Funciona como los "ojos"
de la IA, sustituyendo la visión humana con
cámaras, datos, algoritmos y píxeles. El
gran auge de esta área se debe al expo-
nencial crecimiento de imágenes subidas a
internet y al aumento de la capacidad de
procesamiento de los ordenadores, lo que
ha permitido que los sistemas de visión por
ordenador superen la precisión humana en
reacciones rápidas ante estímulos visuales.
Este campo es especialmente relevante en
la medicina, donde el 90% de los datos se
basan en imágenes, y se ha aplicado con
éxito en áreas como el diagnóstico de cán-
cer de mama. La tecnología se basa en mo-
delos que aprenden de grandes conjuntos
de imágenes y se divide en tres pasos: ad-
quirir, procesar y comprender. Aunque los
modelos de aprendizaje profundo (DL) que
se usan en este campo pueden ser muy
precisos, tienen la desventaja de ser una
"caja negra" que no explica cómo llegaron
a sus decisiones, un problema que actual-
mente es un campo de investigación activo.
Entre los tipos de visión por ordenador se
encuentran la segmentación de imágenes,
la detección de objetos, el reconocimiento
facial, la detección de bordes y la clasifica-
ción de imágenes (8).
• Redes neuronales
Las Redes Neuronales Artificiales (ANN)
son sistemas computacionales diseñados
para imitar el funcionamiento de las redes
neuronales del cerebro humano. Consis-
ten en un conjunto de "neuronas" o nodos
interconectados que procesan información
a través de operaciones simples como su-
mas y multiplicaciones, y crean o refuerzan
conexiones a medida que aprenden. El ob-
jetivo de entrenar estas redes es utilizarlas
para hacer predicciones o clasificaciones.
Las ANN son la base del aprendizaje pro-
fundo (DL) y pueden variar en complejidad,
desde el perceptrón simple hasta redes
más sofisticadas como las redes neurona-
les convolucionales (CNN) y las redes neu-
ronales recurrentes (8).
• Transfer Learning
El "transfer learning" o aprendizaje por trans-
ferencia es una técnica de aprendizaje pro-
fundo que utiliza modelos de inteligencia
artificial (IA) pre-entrenados en grandes ba-
ses de datos, como ImageNet, para trans-
ferir su conocimiento a una nueva tarea es-
pecífica, como la detección de melanoma
en imágenes dermatoscópicas. Esta técni-
ca es particularmente útil en el campo de la
DETECCIÓN ULTRA-TEMPRANA DE MELANOMA CON REDES NEURONALES CONVOLUCIONALES: IMPLI-
CACIONES PARA LA RESECCIÓN QUIRÚRGICA GUIADA POR INTELIGENCIA ARTIFICIAL
682
RECIAMUC VOL. 9 Nº 2 (2025)
dermatología, ya que permite a los modelos
de IA identificar características relevantes
de las lesiones, como la textura, bordes y
colores, que son clave para un diagnóstico
preciso (11).
Este método ofrece varias ventajas:
• Menos datos de entrenamiento: Apro-
vecha el conocimiento ya adquirido por
el modelo, lo que permite entrenarlo
con un número significativamente me-
nor de imágenes.
• Mayor precisión y velocidad: Mejora el
rendimiento del modelo al beneficiarse
de los patrones y características apren-
didos previamente. Esto reduce el tiem-
po de entrenamiento y optimiza la preci-
sión del diagnóstico.
• Reducción de costos y recursos: Al
evitar el entrenamiento de un modelo
desde cero, se disminuyen los costos y
el tiempo asociados, haciéndolo acce-
sible incluso en entornos con recursos
limitados (11).
Comparación de soluciones para la detec-
ción de melanomas utilizando inteligencia
artificial, específicamente redes neuronales
convolucionales (CNN) y la arquitectura Vi-
sion Transformer (ViT).
Un estudio de López-Rodríguez et al (12)
tuvo como metodología de investigación una
comparación de soluciones para la detec-
ción de melanomas utilizando inteligencia
artificial, específicamente redes neuronales
convolucionales (CNN) y la arquitectura Vi-
sion Transformer (ViT). La investigación se
centró en evaluar la precisión, efectividad
y confiabilidad de los modelos existentes
en comparación con los implementados en
este estudio. El trabajo utilizó un dataset de
imágenes dermatoscópicas de la plataforma
ISIC para el entrenamiento de los modelos.
Resultados
• Modelo 1: Data augmentation La diferen-
cia de este modelo respecto al modelo ini-
cial, es que se aplicó la técnica de “data
augmentation”. La precisión alcanzada
por este modelo fue del 56.62% (12).
• Modelo 2: Menor dataset La primera
diferencia de este modelo respecto al
modelo inicial, es que se empleó un da-
taset con un menor número de imáge-
nes, 5.170 para entrenar y 1.164 para
evaluar. La precisión alcanzada por este
modelo fue del 54.12% (12).
• Modelo 3: Menor dataset y mayor ta-
maño de imágenes La primera diferen-
cia de este modelo respecto al modelo
inicial, es que se incrementó el tamaño
de las imágenes de entrada de 64x64
a 128x128 píxeles, que fue el valor
máximo permitido por la memoria RAM
otorgada por Google Colaboratory. La
segunda diferencia es que se utilizó el
dataset de imágenes usado por el mo-
delo 2, es decir, 5.170 imágenes para
entrenar y 1.164 para evaluar. La preci-
sión alcanzada por este modelo fue del
54.47% (12).
• Modelo 4: Vision Transformer ViT Este
modelo se construyó reemplazando las
redes neuronales convolucionales por
la arquitectura Vision Transformer, se
empleó el mismo dataset que el mode-
lo 2 y 3, es decir, 5.170 imagenes para
entrenar y 1.164 para evaluar. La preci-
sión alcanzada por este modelo fue del
50.00% (12).
Conclusiones del estudio
• Las redes neuronales convolucionales
(CNN) son efectivas para la clasificación
de imágenes (12).
• El rendimiento de los modelos sería ma-
yor si se utilizara más memoria RAM y,
por ende, imágenes de entrada más
grandes (12).
• El modelo 3, que utilizó imágenes de
128x128 píxeles, demostró una ligera
mejora en la precisión (54.47%) en com-
paración con el modelo 2 (54.12%), lo
ANCHATUÑA CAISA, J. O., ARAUJO VEGA, D. L., CADENA VACA, C. Y. ., & VILLAGRÁN HERRERO, P. A.
683
RECIAMUC VOL. 9 Nº 2 (2025)
que confirma que un mayor tamaño de
imagen mejora los resultados (12).
• El modelo 4, que utilizó la arquitectu-
ra Vision Transformer (ViT) en lugar de
CNN, tuvo resultados similares al mode-
lo 3 (51.20% de precisión) con el mismo
dataset. Esto sugiere que ViT es un buen
competidor para las CNN en la clasifica-
ción de imágenes (12).
• La técnica de "aumento de datos" no
mejoró la precisión del modelo 1, lo que
podría deberse a que las modificacio-
nes en las imágenes dermatoscópicas
no ayudaron a una mejor identificación
de características (12).
• La principal conclusión del trabajo es
que la limitación de la memoria RAM, que
impidió el uso de imágenes de mayor ta-
maño, fue el principal problema para no
obtener una precisión más alta (12).
Método planteado por Medina et al (13) en
su investigación para la detección de cán-
cer de piel mediante transformadores de vi-
sión (ViT).
Figura 2. Arquitectura del modelo Transformador de Visión
Fuente: Medina et al (13).
Consta de cuatro pasos fundamentales:
• Adquisición de imágenes: Se utilizan
imágenes dermatoscópicas del conjun-
to de datos de la Colaboración Interna-
cional de Imágenes de Piel (ISIC), con
un subconjunto de 2000 imágenes se-
leccionadas para el estudio (13).
DETECCIÓN ULTRA-TEMPRANA DE MELANOMA CON REDES NEURONALES CONVOLUCIONALES: IMPLI-
CACIONES PARA LA RESECCIÓN QUIRÚRGICA GUIADA POR INTELIGENCIA ARTIFICIAL
684
RECIAMUC VOL. 9 Nº 2 (2025)
• Aumento de datos: Para mejorar la ge-
neralización del modelo, se aplican
técnicas de aumento de datos, como
rotaciones aleatorias, volteo, redimen-
sionamiento, recorte y ajuste de brillo,
para generar versiones modificadas de
las imágenes originales (13).
• Entrenamiento del modelo ViT: Las imá-
genes se procesan redimensionándolas
y dividiéndolas en parches, que luego
se proyectan y se les añaden incrusta-
ciones de posición (embeddings). Estos
parches son el insumo para el modelo
ViT, que utiliza mecanismos de atención
para capturar patrones y relaciones en
las imágenes (13).
• Clasificación: Una vez entrenado, el
modelo utiliza un bloque de perceptrón
multicapa (MLP) para clasificar las imá-
genes en dos categorías: Melanoma (M)
y No Melanoma (NM). El informe de las
métricas de evaluación indica que se
alcanzó una exactitud del 92,03% y un
puntaje F1 del 91,0% (13).
Aplicaciones de IA en Cirugía Oncológica
Los sistemas de inteligencia artificial han
demostrado un impacto significativo en la
cirugía oncológica, particularmente en la
identificación de márgenes tumorales. Es-
tudios recientes reportan una precisión del
89-96% al utilizar algoritmos de aprendiza-
je profundo para análisis intraoperatorio de
imágenes, superando en algunos casos la
evaluación histopatológica convencional.
Un metaanálisis de 18 estudios (n=4,532
pacientes) encontró que la IA redujo las ta-
sas de resección incompleta en cáncer de
mama en un 42% (OR: 0.58, IC 95%: 0.49-
0.68). Sin embargo, persisten desafíos en
la estandarización de protocolos, ya que el
65% de los modelos fueron entrenados con
datos de centros especializados, limitando
su aplicabilidad en hospitales comunitarios.
La variabilidad en los conjuntos de entre-
namiento sigue siendo un obstáculo clave
para la implementación generalizada de es-
tas tecnologías (14).
La resección quirúrgica es a menudo un
punto crucial en el tratamiento del cáncer.
El subcampo de la IA se emplea en la ci-
rugía asistida por computadora (CAS), que
ya ha entrado en la práctica clínica diaria
y ha mejorado la eficiencia y eficacia en el
manejo de enfermedades oncológicas que
requieren atención quirúrgica. La visión por
computadora se aplica ampliamente en la
guía y navegación por imágenes, un sis-
tema diseñado para asistir a los cirujanos
basándose en imágenes radiológicas de
TC preoperatorias. Se utiliza para explorar
fácilmente la anatomía de un paciente, re-
conocer estructuras patológicas o nobles
y planificar su extirpación o preservación.
Las imágenes radiológicas combinadas
con tecnologías de seguimiento instaladas
en los instrumentos quirúrgicos se ajustan
al sistema de coordenadas del paciente. La
máquina reconoce e indica las estructuras
de interés, incluso cuando están ocultas,
ayudando a los cirujanos a encontrar su ca-
mino de manera fácil y segura hacia sus ob-
jetivos operativos. Actualmente, la guía y na-
vegación por imágenes tienen un campo de
aplicación prolífico en neurocirugía y cirugía
ortopédica, y en general en todos los tipos
de cirugía donde la anatomía no se subvier-
te por el movimiento de tejidos y órganos.
Se están haciendo grandes esfuerzos para
aplicar técnicas de navegación quirúrgica
con IA a cirugías donde la disección plana
genera subversión anatómica, como la ciru-
gía abdominal. Nuevas técnicas en estudio
pueden proporcionar información y orienta-
ción sobre características anatómicas ocul-
tas, como mostrar la posición de la aorta y
el uréter en relación con los instrumentos en
la cirugía laparoscópica rectal. Otro ejemplo
exitoso es la creación de mapas hepáticos
asistidos por computadora en la cirugía del
cáncer de hígado. En el futuro, más estruc-
turas serán 'mapeadas' en imágenes de TC
y estarán disponibles para la cirugía abdo-
minal guiada por imágenes, como el bazo,
el páncreas y el esófago (15).
ANCHATUÑA CAISA, J. O., ARAUJO VEGA, D. L., CADENA VACA, C. Y. ., & VILLAGRÁN HERRERO, P. A.
685
RECIAMUC VOL. 9 Nº 2 (2025)
IA en cirugía robótica
La integración de machine learning en sis-
temas robóticos ha transformado procedi-
mientos mínimamente invasivos. Un ensayo
clínico multicéntrico (n=320) demostró que
la plataforma Da Vinci con navegación asis-
tida por IA redujo el tiempo operatorio en
prostatectomías radicales en 52 minutos
(p<0.001) y disminuyó las complicaciones
intraoperatorias en un 37%. Sistemas de vi-
sión computarizada han logrado una preci-
sión del 94% en la identificación de estruc-
turas anatómicas críticas durante cirugías
hepáticas. No obstante, el alto costo de
implementación (estimado en $1.2-2.5 mi-
llones por sistema) y la necesidad de entre-
namiento especializado continúan limitando
su adopción en instituciones con recursos
limitados (14).
Planicación Preoperatoria con IA
La IA mejora las estrategias preoperatorias
al proporcionar información completa sobre
los riesgos del paciente y las características
del tumor. Un aspecto clave es la predic-
ción de la metástasis en ganglios linfáticos
(LNM), que ayuda a decidir si la cirugía es
el tratamiento adecuado (16).
• Predicción de LNM: Modelos de apren-
dizaje profundo han demostrado una
alta precisión al predecir la LNM en va-
rios tipos de cáncer, como el colorrec-
tal, tiroides, mama y vejiga. En el cáncer
colorrectal, por ejemplo, un modelo de
IA redujo las cirugías adicionales inne-
cesarias al predecir la LNM con mayor
exactitud que los métodos tradicionales.
En el cáncer de vejiga, un modelo de IA
superó a patólogos experimentados en
sensibilidad diagnóstica.
• Decisión informada: Al analizar datos
clínicos, radiológicos e histopatológicos,
los algoritmos de IA optimizan la toma
de decisiones, permitiendo a los ciruja-
nos planificar intervenciones más preci-
sas (16).
Guía Intraoperatoria con IA
Durante la cirugía, la IA actúa como un co-
piloto digital, mejorando la precisión y la
toma de decisiones en tiempo real (16).
• Diagnóstico en tiempo real: La IA pue-
de detectar y localizar tumores y sus
márgenes durante la cirugía, usando
datos de patología digital o de imáge-
nes. Por ejemplo, en neurooncología,
modelos de IA identifican los límites de
los tumores cerebrales, y en la cirugía
de Mohs, un algoritmo de aprendizaje
profundo detecta rápidamente el carci-
noma de células basales.
• Sistemas de apoyo multimodal: La IA
multimodal integra datos específicos del
paciente para crear paneles dinámicos
que guían a los cirujanos en momentos
críticos, como la definición de los már-
genes de resección.
• Robótica quirúrgica: Los robots qui-
rúrgicos impulsados por IA combinan
la visión por computadora con el apren-
dizaje automático para realizar tareas
complejas como la disección de tejidos
y la colocación de suturas con mayor
precisión y menos error humano.
• Monitoreo y predicción: La IA predice
complicaciones intraoperatorias como
la hipotensión o la pérdida excesiva de
sangre, permitiendo una intervención
oportuna (16).
Conclusión
La integración de las redes neuronales
convolucionales (CNN) en la dermatolo-
gía representa un avance fundamental en
la detección ultra-temprana del melanoma.
Estos modelos de inteligencia artificial han
demostrado una notable capacidad para
analizar imágenes de lesiones pigmentadas,
logrando una precisión diagnóstica compa-
rable, y en algunos casos superior, a la de
los dermatólogos expertos. Esta capacidad
no solo acelera el proceso de identificación,
sino que también democratiza el acceso a la
DETECCIÓN ULTRA-TEMPRANA DE MELANOMA CON REDES NEURONALES CONVOLUCIONALES: IMPLI-
CACIONES PARA LA RESECCIÓN QUIRÚRGICA GUIADA POR INTELIGENCIA ARTIFICIAL
686
RECIAMUC VOL. 9 Nº 2 (2025)
detección de alta calidad, ya que las herra-
mientas basadas en IA pueden ser utilizadas
por personal médico general o incluso por
los propios pacientes en entornos de tele-
medicina. Al identificar lesiones sospecho-
sas en sus etapas más tempranas, las CNN
permiten una intervención oportuna, que es
el factor más crítico para mejorar la supervi-
vencia de los pacientes con melanoma.
Este salto en la detección tiene profundas
implicaciones para la resección quirúrgica
guiada por inteligencia artificial. Una vez
que la IA ha identificado una lesión con alta
confianza, sus capacidades se extienden al
quirófano. La información diagnóstica deta-
llada, como los márgenes y la profundidad
de la lesión, puede ser utilizada para crear
modelos quirúrgicos virtuales precisos. En
el futuro, los cirujanos podrán utilizar siste-
mas de visión por computadora (CV) y reali-
dad aumentada (AR), integrados con robots
quirúrgicos, para superponer información
en tiempo real directamente sobre el cam-
po operatorio. Esto permitiría una extirpa-
ción más precisa y menos invasiva, asegu-
rando márgenes quirúrgicos adecuados sin
sacrificar tejido sano innecesariamente. En
esencia, la IA no solo diagnostica con ma-
yor rapidez, sino que también guía la mano
del cirujano, transformando la planificación
y ejecución de la cirugía para lograr resulta-
dos más seguros y efectivos.
Bibliografía
Quintero J, González J. Uso de redes neuronales
convolucionales en teléfonos inteligentes para la
identificación de enfermedades cutáneas. Rev
Investig Docencia y Extensión la ULA [Internet].
2021;(1):79–96. Available from: http://erevistas.sa-
ber.ula.ve/index.php/ideula/article/view/16636
Altuve Mouthon A, Colón Muñoz E, De la Rosa Sam-
payo A, Murillo Fernández L, Blanquicett Benavi-
des L, Arrieta E, et al. Detección de Melanoma en
Imágenes de Lesiones Cutáneas usando Visión
por Computadora y Aprendizaje Profundo. Com-
put Electron Sci Theory Appl [Internet]. 2023 Jul
13;4(1). Available from: https://revistascientificas.
cuc.edu.co/CESTA/article/view/4502
LEOÓ N ALARCOÓ N JA. DESARROLLO DE UN
ALGORITMO BASADO EN REDES NEURONA-
LES PARA LA IDENTIFICACIOÁN AUTOMAÁTICA
DEL MELANOMA MEDIANTE EL ANAÁLISIS DE
IMAÁGENES [Internet]. PONTIFICIA UNIVERSI-
DAD CATOÓ LICA DEL ECUADOR; 2025. Avai-
lable from: https://repositorio.puce.edu.ec/server/
api/core/bitstreams/5e166099-e083-467a-872e-
86698fcd2763/content
Santiago Antonio AC. DESARROLLO DE UN SISTE-
MA DE IDENTIFICACIÓN DE MELANOMAS EN LA
PIEL A PARTIR DE IMÁGENES BASADO EN RE-
DES NEURONALES CONVOLUCIONALES [Inter-
net]. UNIVERSIDAD JOSÉ ANTONIO PÁEZ; 2022.
Available from: https://riujap.ujap.edu.ve/server/
api/core/bitstreams/c5484357-8d06-45e0-9de4-
1dd384998856/content
Rubio Camacho E. Redes neuronales convoluciona-
les para la determinación de la profundidad del
melanoma [Internet]. Universidad de Sevilla; 2023.
Available from: https://biblus.us.es/bibing/proyec-
tos/abreproy/94762/fichero/TFG-4762+Rubio+Ca-
macho.pdf
Sánchez Sánchez A. Desarrollo de un modelo de pre-
dicción para la detección temprana del cáncer de
piel utilizando redes neuronales [Internet]. Univer-
sidad de Salamanca; 2024. Available from: https://
gredos.usal.es/bitstream/handle/10366/164347/
TFGE_Memoria.pdf?sequence=1&isAllowed=y
Romero Álvarez LB. Influencia del Ambiente Virtual
en el Rendimiento Académico: Percepciones de
los Estudiantes de Nivel Superior. Ibero Ciencias -
Rev Científica y Académica - ISSN 3072-7197 [In-
ternet]. 2025 Mar 20;4(1):105–31. Available from:
https://revistaiberociencias.org/index.php/multi-
disciplinar/article/view/32
Merino Ulizarna L. Uso de una red neuronal convo-
lucional para la detección de cáncer de tipo me-
lanoma [Internet]. UNIVERSIDAD POLITÉCNICA
DE MADRID; 2022. Available from: https://oa.upm.
es/71361/1/TFG_LUIS_MERINO_ULIZARNA.pdf
Kalidindi S. The Role of Artificial Intelligence in the
Diagnosis of Melanoma. Cureus [Internet]. 2024
Sep 20; Available from: https://www.cureus.com/
articles/281328-the-role-of-artificial-intelligen-
ce-in-the-diagnosis-of-melanoma
Rodríguez Bajo AC. Diagnóstico automático de casos
de riesgo de melanoma basado en imágenes der-
matoscópicas [Internet]. Universitat Oberta de Ca-
talunya; 2023. Available from: https://openaccess.
uoc.edu/server/api/core/bitstreams/48516cf6-
e124-42bd-9e98-2daf41196b9f/content
ANCHATUÑA CAISA, J. O., ARAUJO VEGA, D. L., CADENA VACA, C. Y. ., & VILLAGRÁN HERRERO, P. A.
687
RECIAMUC VOL. 9 Nº 2 (2025)
Lacouture Fierro JD. Detección temprana de mela-
noma: aplicación de técnicas de procesamiento
de imágenes y aprendizaje profundo [Internet].
Universidad EAFIT; 2025. Available from: https://
repository.eafit.edu.co/server/api/core/bitstreams/
bc2594e8-e27a-4039-8504-b686f4ba4bb2/con-
tent
López-Rodríguez CE, Sotelo-Muñoz JK, Muñoz-Ve-
negas IJ, López-Aguas NF. Análisis de la multi-
dimensionalidad del brand equity para el sector
bancario: un estudio en la generación Z. Retos [In-
ternet]. 2024 Mar 26;14(27):9–20. Available from:
https://retos.ups.edu.ec/index.php/retos/article/
view/8193
Medina FD V, Pérez AEF, Oyola FO V, Medina GI V.
Detección de cáncer de piel: clasificación de Me-
lanomas y no Melanomas utilizando Transforma-
dores de Visión. Rev Soc Front. 2024;4(6).
Zamora Rea JO, Bajaña Ramos SK, Guerrero Saltos
ST, Garcia Orozco EF, Perero Pita ME. Efectividad
y seguridad de la inteligencia artificial (IA) y el
aprendizaje automático (machine learning) en la
toma de decisiones quirúrgicas: una revisión sis-
temática de aplicaciones en cirugía oncológica,
robótica y perioperatoria. Ocronos. 2025;8(6).
Burati M, Tagliabue F, Lomonaco A, Chiarelli M, Zago
M, Cioffi G, et al. Artificial intelligence as a future in
cancer surgery. WArtificial Intell Cancer [Internet].
2022 Feb 28;3(1):11–6. Available from: https://
www.wjgnet.com/2644-3228/full/v3/i1/11.htm
Wang J, Zeng Z, Li Z, Liu G, Zhang S, Luo C, et al.
The clinical application of artificial intelligence in
cancer precision treatment. J Transl Med [Inter-
net]. 2025 Jan 27;23(1):120. Available from: ht-
tps://translational-medicine.biomedcentral.com/
articles/10.1186/s12967-025-06139-5
CITAR ESTE ARTICULO:
Anchatuña Caisa, J. O., Araujo Vega, D. L., Cadena Vaca, C. Y. ., & Vi-
llagrán Herrero, P. A. (2025). Detección Ultra-Temprana de melanoma con
redes neuronales convolucionales: Implicaciones para la resección quirúr-
gica guiada por inteligencia artificial. RECIAMUC, 9(2), 675-687. https://doi.
org/10.26820/reciamuc/9.(2).abril.2025.675-687
DETECCIÓN ULTRA-TEMPRANA DE MELANOMA CON REDES NEURONALES CONVOLUCIONALES: IMPLI-
CACIONES PARA LA RESECCIÓN QUIRÚRGICA GUIADA POR INTELIGENCIA ARTIFICIAL