LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XIII, Issue 1, Janua y - June 2026
Aplicación de Redes Neu onales Con olucionales
en la De ección Au omá ica de
Melanoma Cu áneo
Applica ion o Con olu ional Neu al Ne wo ks in
he Au oma ic De ec ion o Cu aneous Melanoma
José Albe o León Ala cón
Uni e sidad Técnica de Manabí
Ins i u o de Lenguas Mode nas
Po o iejo, Ecuado
[email p o ec ed]
h ps://o cid.o g/0009-0004-6190-0990
Roly S ee en Cedeño Menéndez
Uni e sidad Técnica de Manabí
Ins i u o de Lenguas Mode nas
Po o iejo, Ecuado
[email p o ec ed]
h ps://o cid.o g/0009-0004-1571-9410
Resumen— El diagnós ico emp ano del melanoma es c ucial
pa a mejo a la asa de supe i encia, lo que ha impulsado el
desa ollo de modelos de ap endizaje p o undo pa a su de ección
au oma izada. Es a in es igación iene como obje i o e alua el
endimien o de una ed neu onal con olucional (CNN) en la
clasi icación de imágenes de moscópicas de lesiones en la piel,
compa ando su p ecisión con la de expe os en de ma ología.
Pa a log a es o, se en enó una CNN u ilizando un conjun o de
imágenes que ue on p ep ocesadas pa a mejo a la capacidad de
gene alización del modelo. La e aluación se lle ó a cabo empleando
mé icas de calidad como exac i ud, p ecisión, sensibilidad y F1-
sco e. Además, se u ilizó la cu a ROC y la ma iz de con usión pa a
analiza el equilib io en e los alsos posi i os y alsos nega i os en
la clasi icación.
Los esul ados mos a on que la CNN supe ó el endimien o de
los de ma ólogos en é minos de especi icidad y sensibilidad, con
un á ea bajo la cu a (AUC) ce cana a 1, lo que indica una g an
capacidad disc imina i a. La ma iz de con usión e eló que la
clasi icación ue co ec a en la mayo ía de los casos, minimizando
los e o es de ipo I y II.
En conclusión, la implemen ación de edes neu onales en el
diagnós ico de melanoma ep esen a una he amien a p ome edo a
pa a la asis encia médica. No obs an e, se iden i ica on
opo unidades de mejo a, como el ajus e de umb ales de decisión y
la op imización del p ep ocesamien o de imágenes, lo que pe mi i á
inc emen a la p ecisión del modelo en aplicaciones clínicas u u as.
Palab as Cla es— Redes Neu onales Con olucionales (CNN);
Melanoma; Ap endizaje p o undo; P ep ocesamien o de Imágenes;
Diagnós ico Au oma izado
Abs ac — Ea ly diagnosis o melanoma is c ucial o
imp o ing su i al a es, which has d i en he de elopmen o deep
lea ning models o i s au oma ed de ec ion. This esea ch aims o
e alua e he pe o mance o a con olu ional neu al ne wo k (CNN)
in classi ying de moscopic images o skin lesions, compa ing i s
accu acy wi h ha o de ma ology expe s.
To achie e his, a CNN was ained using a se o images ha
we e p ep ocessed o imp o e he model's gene aliza ion abili y.
The e alua ion was ca ied ou using quali y me ics such as
accu acy, p ecision, sensi i i y, and F1-sco e. In addi ion, he ROC
cu e and con usion ma ix we e used o analyze he balance
be ween alse posi i es and alse nega i es in he classi ica ion.
The esul s showed ha he CNN ou pe o med de ma ologis s
in e ms o speci ici y and sensi i i y, wi h an a ea unde he cu e
(AUC) close o 1, indica ing high disc imina o y powe . The
con usion ma ix e ealed ha he classi ica ion was co ec in mos
cases, minimizing ype I and ype II e o s.
In conclusion, he implemen a ion o neu al ne wo ks in
melanoma diagnosis ep esen s a p omising ool o medical ca e.
Howe e , oppo uni ies o imp o emen we e iden i ied, such as
adjus ing decision h esholds and op imizing image p ep ocessing,
which will inc ease he accu acy o he model in u u e clinical
applica ions.
Keywo ds—Con olu ional Neu al Ne wo ks; Melanoma; Deep
Lea ning; P ep ocessing images; Au oma ic diagnos ic
I. INTRODUCCIÓN
El melanoma ep esen a una de las a ian es más
pelig osas del cánce cu áneo, iden i ica lo en sus e apas
iniciales esul a undamen al pa a mejo a las p obabilidades
de supe i encia de quienes lo padecen. Según la Sociedad
Ame icana Con a el Cánce (ACS), el cánce de piel des aca
como la o ma de cánce más común en e odas. Aunque el
melanoma cons i uye apenas el 1% de los diagnós icos de
cánce cu áneo, es el p incipal causan e de allecimien os
elacionados con es a a ección. Has a el 2025, se es ima que
hab á al ededo de 104,960 nue os casos de melanoma en los
Es ados Unidos (ap oximadamen e 60,550 en homb es y
44,410 en muje es). Se p e é que ce ca de 8,430 pe sonas
(5,470 homb es y 2,960 muje es) allece án debido a es e ipo
de cánce [1]
Ac ualmen e, los de ma ólogos u ilizan mé odos
adicionales como la inspección isual y la de ma oscopia
J. León and R. Cedeño,
“Aplicación de Redes Neu onales Con olucionales en la De ección Au omá ica de Melanoma Cu áneo”,
La in-Ame ican Jou nal o Compu ing (LAJC), ol. 13, no. 1, 2026.
pa a la e aluación de lesiones cu áneas. Sin emba go, es os
en oques es án ue emen e condicionados po el ni el de
expe iencia del p o esional y pueden e se a ec ados po
ac o es subje i os. Además, en egiones con acceso limi ado
a de ma ólogos capaci ados, la de ección emp ana se e
comp ome ida, lo que aumen a el iesgo de diagnós icos
a díos.
Po ello, en los úl imos años, ha c ecido el uso de di e sas
écnicas de análisis au oma izado de imágenes po o denado
pa a mejo a la p ecisión y la ep oducibilidad del diagnós ico
del melanoma en compa ación con los esul ados clínicos
ob enidos de imágenes de ma oscópicas. La in eligencia
a i icial (IA) se es á posicionando como una ecnología con
un eno me po encial en el campo de la medicina,
especialmen e cuando se a a de in e p e a imágenes
clínicas. Las CNN han e olucionado la de ección de
en e medades g acias a su habilidad pa a ex ae
ca ac e ís icas cla e y ealiza clasi icaciones con una
p ecisión imp esionan e. Es as a qui ec u as han demos ado
un endimien o que, en muchas ocasiones, es compa able e
incluso supe io al de los especialis as humanos en di e sas
a eas de diagnós ico po imágenes.
Un buen ejemplo de es o es la in es igación de Ko hapalli
e al. [2] que desc ibe las CNN como es uc u as p opias del
ap endizaje p o undo capaz de econoce y ex ae
ca ac e ís icas au omá icamen e a pa i de g andes olúmenes
de da os de imágenes complejas. Es a in es igación ha
demos ado que las CNN son muy e icaces pa a iden i ica y
clasi ica lesiones cu áneas, incluido el melanoma. Al en ena
las CNN con ex ensos conjun os de da os de imágenes de
lesiones cu áneas, se pueden enseña a dis ingui las
ca ac e ís icas que sepa an las lesiones benignas de las
malignas.
Del mismo modo, Yalcinkaya & E bas [3] op an po una
a qui ec u a di e en e. En es e a ículo, se u iliza una
a qui ec u a de de ección au omá ica de melanomas que
combina un modelo de ap endizaje p o undo CNN con un
en oque basado en la lógica di usa. Es e en oque gene a un
mapa de co elación di usa de los píxeles de la imagen que se
in oduce en la ed CNN. Al p oba se en un ex enso conjun o
de da os ISIC, el modelo demos ó una al a p ecisión,
sensibilidad y especi icidad en la clasi icación en
compa ación con clasi icado es que u ilizaban mapas de
co elación no di usos.
Es e es udio p esen a un en oque undamen ado en CNN
pa a la de ección de melanoma, u ilizando imágenes
de ma ológicas p ep ocesadas y op imización de
hipe pa áme os pa a mejo a la p ecisión del modelo. Se
p esen a un análisis de allado del conjun o de da os u ilizado,
el p ocesamien o de los da os, la a qui ec u a de la ed
implemen ada y la e aluación del desempeño del modelo
en e a me odologías p e iamen e desa olladas.
II. METODOLOGÍA
Pa a el desa ollo del p esen e es udio, la in o mación
empleada ue ex aída de la pla a o ma Kaggle, en conc e o
del conjun o de da os denominado “Melanoma”, el cual es á
disponible de o ma pública en es a comunidad en línea
di igida a cien í icos de da os [4]. Cabe des aca que, pa a es e
es udio, se u ilizó una mues a ep esen a i a del eposi o io e
imágenes, seleccionada de mane a alea o ia con el in de
ga an iza la di e sidad y ep esen a i idad de los da os en
elación con el ema de es udio. La selección de es a po ción
del conjun o de da os se undamen ó en c i e ios de ele ancia
y en la disponibilidad de in o mación adecuada pa a el
en enamien o y alidación del modelo p opues o. En la Fig 1
se puede obse a una mues a alea o ia de las imágenes
pe enecien es a las clases den o del conjun o de da os.
Fig 1. Sca la A. (2020) Melanoma Da ase [Conjun o de da os].
Kaggle. h ps://www.kaggle.com/da ase s/d sca la /melanoma
Es e conjun o de da os es á es uc u ado en es ca pe as
p incipales: en enamien o ( ain_sep), alidación
( alid) y p ueba ( es ). Cada una de es as ca pe as se
subdi ide a su ez en dos subca pe as, las cuales co esponden
a las dos clases de diagnós ico: Melanoma
(Maligno) y No Melanoma (Benigno). Es a o ganización se
enca ga de clasi ica las imágenes de mane a cla a según su
unción en el ciclo de desa ollo del modelo. Así, se asegu a
de que los da os de en enamien o, alidación y p ueba es én
bien ca ego izados y lis os pa a se u ilizados.
Además, es a es uc u a je á quica acili a una ges ión
e icien e de los da os. Cada subca pe a albe ga únicamen e
imágenes de una clase especí ica, lo que hace que la ca ga y
el p ep ocesamien o de las imágenes sean mucho más
sencillos du an e la implemen ación del modelo. La di isión
en es conjun os independien es (en enamien o, alidación y
p ueba) es undamen al pa a ga an iza que el modelo pueda
se en enado, ajus ado y e aluado de mane a igu osa,
minimizando el iesgo de sob eajus e y asegu ando una
gene alización adecuada a nue os da os. A con inuación, en
la TABLA I se esume la dis ibución de imágenes en cada
conjun o:
TABLA I. CONJUNTO DE DATOS MELANOMA
Di ec o io
Melanoma
No Melanoma
To al
T ain_sep
1008
1008
2016
Tes
336
336
672
Valid
336
336
672
To al
1680
1680
3306
En esumen, el conjun o de da os comple o cons a de 3360
imágenes, con una dis ibución equilib ada en e las
clases Melanoma y No Melanoma en cada uno de los
conjun os (en enamien o, alidación y p ueba), lo que
ga an iza un desa ollo y e aluación obus os del modelo. La
Fig 2 pe mi e una ap eciación más de allada de es a
dis ibución.
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XIII, Issue 1, Janua y - June 2026
Fig 2.Dis ibución del conjun o de da os Melanoma
T as examina el da ase , se p ocedió a ealiza el
p ocesamien o de da os. El p ocesamien o de da os ep esen a
un paso cla e en la adecuación de las imágenes pa a el
en enamien o de algo i mos clasi ica o ios. Se aplica on
di e sas écnicas de p ep ocesamien o con la inalidad de
op imiza la ni idez de las imágenes y op imiza la ex acción
de ca ac e ís icas ele an es.
Uno de los p incipales desa íos en el análisis de imágenes
de ma ológicas es la p esencia de ellos, los cuales pueden
ocul a de alles cla e de la piel. Pa a abo da es e p oblema,
se u ilizó el algo i mo DullRazo , una he amien a c eada
especí icamen e pa a elimina el ello en imágenes médicas.
Es e algo i mo se enca ga de iden i ica y elimina las á eas
con ello, eemplazándolas con in o mación in e polada de
los píxeles ecinos. Es e p oceso no solo mejo a la cla idad de
las imágenes, sino que ambién acili a la iden i icación y
clasi icación de ca ac e ís icas elacionadas con el melanoma,
lo que con ibuye a una mayo p ecisión en el diagnós ico
asis ido po compu ado a. [5]
Una ez implemen ado el algo i mo DullRazo se puede
obse a en la una di e encia no able en e la imagen o iginal
y la imagen p ocesada po el algo i mo. En sección izquie da
de la Fig 3 se obse a una lesión de la piel ecubie a con
ellosidad, lo cual puede a ec a el desempeño del algo i mo
al momen o del en enamien o. Sin emba go, en la sección
de echa de la Fig 3 se puede no a que la misma lesión ya no
con ine ellosidad y se puede ap ecia de una mejo mane a
la lesión en la piel.
Fig 3. Imagen p ocesada a pa i de Sca la A. (2020) Melanoma
Da ase [Conjun o de da os]. Kaggle.
h ps://www.kaggle.com/da ase s/d sca la /melanoma
Después de aplica el algo i mo DullRazo , las imágenes
p ocesadas pasa on po una se ie de ans o maciones pa a
mejo a su calidad y hace más ácil su isualización y
análisis. P ime o, se edimensiona on a un amaño uni o me
de 224x224 píxeles, que es un o ma o ideal pa a las
a qui ec u as de edes neu onales con olucionales
p een enadas, ya que equie en dimensiones especí icas de
en ada. Es e edimensionamien o ga an iza que las imágenes
man engan una elación de aspec o adecuada y que no se
pie dan las ca ac e ís icas espaciales impo an es du an e el
p oceso.
Luego, se u ilizó la écnica de mejo a de ni idez llamada
"Unsha p Masking", que consis e en c ea una e sión
lige amen e desen ocada de la imagen o iginal usando un
il o Gaussiano [6]. Es a e sión desen ocada se mezcla con
la imagen o iginal pa a esal a los bo des y de alles, lo que
mejo a la cla idad y el en oque de las imágenes. Es e paso es
c ucial pa a des aca las ca ac e ís icas impo an es que el
modelo necesi a iden i ica du an e el en enamien o y la
clasi icación.
Fig 4. Lesión con aplicación de écnica Unsha p Masking a pa i
de: Sca la A. (2020) Melanoma Da ase [Conjun o de da os].
Kaggle. h ps://www.kaggle.com/da ase s/d sca la /melanoma
Po úl imo, se ealizó una no malización de las imágenes,
ans o mando los alo es de píxeles del ango [0, 255] al
ango [0, 1]. Es a no malización es una p ác ica común en
edes neu onales, ya que mejo a la consis encia en el
p ocesamien o de da os, mejo a la e iciencia del modelo y
e ue za su es abilidad an o en la ase de en enamien o como
en la de e aluación.
A con inuación, se de alla el p oceso de cons ucción del
algo i mo de ed neu onal con olucional (CNN) u ilizado en
es e es udio. Pa a ello, el modelo ue cons uido median e la
clase Sequen ial de Ke as, p opo cionando unciones de
en enamien o pa a el modelo [7]. A di e encia de edes
neu onales p een enadas que es án op imizadas pa a
conjun os de da os especí icos y suelen se g andes (lo que
aumen a el núme o de pa áme os y el consumo de memo ia),
se op ó po desa olla una CNN pe sonalizada. Es a decisión
acili ó la adap ación de la a qui ec u a a las necesidades del
es udio, como el amaño de las imágenes (224x224x3, donde
3 co esponde a los canales de colo ) y el ipo de
ca ac e ís icas que se buscaba cap u a .
La CNN implemen ada cons a de a ias capas
con olucionales que cuen an con 8, 16 y 32 il os, los cuales
son cla e pa a la ex acción de ca ac e ís icas. [8]. Se incluyó
una capa de no malización po lo es (Ba ch No maliza ion)
con el obje i o de egula las ac i aciones in e nas del modelo
y agiliza el p oceso de en enamien o [9]. Además, se
omplemen ó la unción de ac i ación ReLU (Rec i ied Linea
Uni ) con el p opósi o de inco po a no linealidad al modelo,
acili ando así el ap endizaje de pa ones complejos en los
J. León and R. Cedeño,
“Aplicación de Redes Neu onales Con olucionales en la De ección Au omá ica de Melanoma Cu áneo”,
La in-Ame ican Jou nal o Compu ing (LAJC), ol. 13, no. 1, 2026.
da os [10]. Pa a educi la dimensionalidad espacial de las
salidas, se aplicó Max Pooling con un amaño de 2x2
y s ides de 2, una écnica de mues eo descenden e que
simpli ica los cálculos y educe el amaño de los pa áme os
[11].
Luego de es o la salida es en iada a una capa Fla en,
u ilizada pa a aplana la salida de la capa an e io sin a ec a
al lo e [12]. La ed ambién incluye una capa Dense
comple amen e conec ada con 15 neu onas en una capa ocul a,
que combina las ca ac e ís icas ap endidas en las capas
an e io es [13]. En la capa de salida, se implemen a on 2
neu onas (una po cada clase en la clasi icación bina ia) jun o
con la unción de ac i ación So max, enca gada de gene a
una dis ibución p obabilís ica que acili a la asignación de
clases, acili ando la clasi icación bina ia [14]. Toda es a
a qui ec u a se p esen a en la Fig 5. Po úl imo, se añadió el
op imizado Adam pa a minimiza el e o du an e el
en enamien o [15]. Es e op imizado según Kingma e al. Se
a a de un algo i mo de op imización que emplea g adien es
de p ime o den pa a unciones obje i o de na u aleza
es ocás ica, u ilizando es imaciones adap a i as de momen os
de bajo o den pa a ajus a dinámicamen e el p oceso de
ap endizaje [16].
Fig 5. A qui ec u a de Red Neu onal
Pa a asegu a un óp imo en enamien o se con igu a on
dos callbacks: Ea lyS opping, el cual de iene el en enamien o
cuando una mé ica supe isada haya dejado de mejo a [17]
y ReduceLROnPla eau, que disminuye la asa de ap endizaje
cuando una mé ica haya dejado de mejo a [18]. Es os ienen
como p opósi o mejo a el endimien o de la ed neu onal.
En la TABLA II, se p esen an los pa áme os u ilizados en
el callback Ea lyS opping. Es e ayuda a p e eni el
sob eajus e y aho a iempos y ecu sos al de ene el
en enamien o cuando el endimien o del algo i mo deja de
mejo a .
TABLA II. ARGUMENTOS DE EARLYSTOPPING
A gumen o
Valo
Función
Moni o
al_loss
Mé ica pa a
moni o ea
Pa ience
5
Épocas sin
p og eso.
Res o e_bes _weigh s
T ue
Res ablece los
pesos del modelo
En la TABLA III, se mues a los pa áme os u ilizados po
ReduceLROnPla eau. Es e ayuda a ajus a de mane a
dinámica la asa de ap endizaje pe mi iendo que el modelo
con e ja de mejo mane a cuando el p og eso sea de enido.
TABLA III. ARGUMENTOS DE REDUCELRONPLATEAU
A gumen o
Valo
Función
Moni o
al_loss
Mé ica pa a
moni o ea
Fac o
0.1
Disminuye la
elocidad de
ap endizaje
(nue a_l = l *
ac o )
Pa ience
2
Núme o de épocas
sin mejo as
Min_l
0.0001
Tasa de ap endizaje
mínima
Asimismo, en la Tabla IV se exhiben los hipe pa áme os
manejados pa a en ena la ed neu onal, incluyendo de alles
sob e las con igu aciones especí icas empleadas en el p oceso
de ap endizaje, ales como la asa de ap endizaje, el núme o
de épocas, el amaño del lo e y o os pa áme os ele an es que
in luencia on el desempeño del modelo.
TABLA IV. HIPERPARÁMETROS DE LA RED NEURONAL
Pa áme os
Valo es
Tamaño de la mues a
2016 (1008 malignas y 1008
benignas)
Épocas
40
Épocas eco idas
21
Tasa de ap endizaje
0.01
Callbacks
Ea lyS opping,
ReduceLROnPla eau
Tamaño de lo e
24
El p oceso de en enamien o se ealizó en la pla a o ma
Google Colab P o, ap o echando sus capacidades a anzadas
en é minos de ecu sos compu acionales. Es a pla a o ma
p opo ciona acceso a acele ado es de ha dwa e, como las
unidades de p ocesamien o enso ial (TPU). Se a a de
ci cui os in eg ados pe sonalizados, diseñados especialmen e
pa a op imiza y acele a el p oceso de en enamien o de
modelos de ap endizaje p o undo. [19].
Pa a el desa ollo del p oyec o, se op ó po u iliza Py hon
como lenguaje de p og amación, ya que cuen a con una g an
can idad de biblio ecas y he amien as en ocadas en Deep
Lea ning. Py hon des aca po su sin axis in ui i a y su
capacidad pa a implemen a algo i mos de ap endizaje
p o undo de mane a e icien e. En pa icula , se u iliza on las
biblio ecas Tenso Flow y Ke as pa a la cons ucción,
en enamien o y e aluación del modelo.
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XIII, Issue 1, Janua y - June 2026
III. RESULTADOS
Es a sección expone los esul ados de i ados del p oceso
de en enamien o y alidación de la CNN. Pa a medi el
desempeño del modelo, se u iliza on mé icas de calidad
ampliamen e empleadas en el á ea del ap endizaje p o undo y
la de ección de en e medades, como la exac i ud, p ecisión,
sensibilidad y el pun aje F1.
Se lle ó a cabo un análisis de los esul ados median e la
cu a ROC (Ca ac e ís ica Ope a i a del Recep o ) y su á ea
bajo la cu a (AUC-ROC). Es o acili a la e aluación del
endimien o del modelo en la di e enciación en e imágenes
de melanomas malignos y benignos. Finalmen e, se mues a
la ma iz de con usión, la cual nos da una pe spec i a de allada
sob e los acie os y e o es del modelo, acili ando así la
in e p e ación de su endimien o en cuan o a clasi icación.
Como se mencionó p e iamen e, se u ilizó la cu a ROC
pa a e alua el desempeño del modelo de ed neu onal. El
esul ado ue un imp esionan e 0.9955 en el alo AUC-ROC,
lo que indica una p edicción muy p ecisa. Es a colección de
da os de p ueba sugie e que el modelo iene un endimien o
supe io en la a ea de clasi icación bina ia. Un alo ce cano
a 1 signi ica que el modelo dis ingue e icazmen e en e las
clases posi i as y nega i as, mos ando al a sensibilidad y una
baja asa de alsos posi i os. En la p ác ica, un AUC-ROC de
0.99 signi ica que el modelo iene un 99% de p obabilidad de
clasi ica co ec amen e un ejemplo posi i o en e a uno
nega i o al aza , es deci , iden i ica con cla idad de lesiones
que pe enecen al melanoma y de lesiones que no pe enecen
al melanoma. Po lo an o, la Fig 6 mues a el á ea bajo la
cu a ROC donde ilus a de o ma g á ica el endimien o del
modelo en la p edicción.
Fig 6. Cu a ROC
En la Fig 7 se mues a la ma iz de con usión, un
ins umen o p imo dial pa a alo a la calidad de la
clasi icación. Es a pe mi e obse a la can idad de acie os y
e o es come idos po el modelo, dis inguiendo en e los
acie os y los e o es come idos al momen o de la
clasi icación.
En pa icula , la ma iz de con usión p esen a la
dis ibución de los e dade os posi i os (VP) y e dade os
nega i os (VN), es deci , los casos donde el modelo iden i icó
co ec amen e las lesiones malignas y benignas,
espec i amen e. Asimismo, pe mi e iden i ica los e o es de
ipo I ( alsos posi i os, FP), que ocu en cuando una lesión
benigna es clasi icada e óneamen e como maligna, y los
e o es de ipo II ( alsos nega i os, FN), en los que una lesión
maligna es inco ec amen e clasi icada como benigna.
El análisis de es a ma iz esul a cla e pa a e alua el
impac o de los e o es en un con ex o clínico, dado que un
also nega i o pod ía e asa el diagnós ico de un melanoma,
mien as que un also posi i o pod ía gene a ala mas
innecesa ias y p ocedimien os médicos adicionales.
Fig 7. Ma iz de con usión
En la ma iz de con usión (Fig 7), el cuad an e supe io
izquie do ep esen a la can idad de e dade os posi i os (VP),
es deci , aquellos casos en los que el modelo clasi icó
co ec amen e una lesión como melanoma, sumando un o al
de 333 mues as. De mane a simila , el cuad an e in e io
de echo e leja los e dade os nega i os (VN), indicando que
326 casos ue on iden i icados co ec amen e como lesiones
benignas. Es a dis ibución e idencia que los alo es más al os
se concen an en la diagonal p incipal, lo que sugie e un al o
ni el de p ecisión en la clasi icación an o de melanomas
malignos como benignos.
Po o o lado, los e o es de ipo I, ep esen ados po los
alsos posi i os (FP), co esponden a aquellas mues as en las
que el algo i mo clasi icó inco ec amen e una lesión benigna
como melanoma. En es e caso, se iden i ica on 3 ins ancias en
las que el modelo gene ó una ale a e ónea de la en e medad.
Asimismo, los e o es de ipo II, que co esponden a los alsos
nega i os (FN), ocu ie on en 10 mues as en las que el
modelo no log ó de ec a co ec amen e el melanoma,
clasi icando e óneamen e una lesión maligna como benigna.
Es os e o es ienen un impac o clínico signi ica i o, ya que
un also nega i o pod ía e asa el diagnós ico y a amien o
opo uno del pacien e.
Po úl imo, en base a las p edicciones ealizadas po el
algo i mo y los alo es esul an es de la ma iz de con usión
se ob u ie on di e en es mé icas que e alúan el endimien o
de la a qui ec u a. En la Tabla V se p esen an los alo es
ob enidos al ealiza las p edicciones en unción del conjun o
de da os de es eo.
TABLA V. MÉTRICAS DE EVALUACIÓN
Mé ica
Valo
Exac i ud
98.07%
P ecisión
98.09%
Sensibilidad
98.07%
Pun aje F1
98.07%
J. León and R. Cedeño,
“Aplicación de Redes Neu onales Con olucionales en la De ección Au omá ica de Melanoma Cu áneo”,
La in-Ame ican Jou nal o Compu ing (LAJC), ol. 13, no. 1, 2026.
AUC
99.55%
En gene al, los esul ados ob enidos e lejan un
desempeño sob esalien e del modelo. La ele ada p ecisión,
sensibilidad, pun uación F1 y una cu a AUC ce cana a 1
indican que el modelo no solo es e icaz en la clasi icación
global, sino que ambién demues a solidez en la
iden i icación de casos posi i os y en la educción de e o es.
Es e endimien o sugie e que el modelo es á bien ajus ado y
es al amen e e icien e pa a la a ea especí ica de clasi icación
pa a la que ue en enado. Sin emba go, a pesa de los
esul ados alen ado es, oda ía hay opo unidades de mejo a
en la capacidad p edic i a y en la e aluación del modelo.
Como pa e de las limi aciones de es e es udio, se aconseja
implemen a es a egias que op imicen su endimien o, como
ajus a los umb ales de decisión pa a log a un mejo
equilib io en e las mé icas, aplica écnicas de da a
augmen a ion que en iquezcan la di e sidad del conjun o de
en enamien o, y explo a o as me odologías que pod ían
ayuda a mejo a la capacidad del algo i mo, pe mi iendo así
una clasi icación más p ecisa y con iable.
IV. DISCUSIÓN
El p esen e es udio ha demos ado que el modelo apoyado
en edes neu onales p o undas es al amen e e icien e pa a la
clasi icación de imágenes de ma ológicas, pe mi iendo la
de ección p ecisa del melanoma. La e aluación del modelo a
a és de mé icas de desempeño como exac i ud, p ecisión,
sensibilidad ( ecall), especi icidad y F1-sco e, jun o con un
á ea bajo la cu a ROC (AUC) indica que la a qui ec u a
implemen ada log a una capacidad disc imina i a obus a
en e lesiones malignas y benignas.
Los hallazgos ob enidos gua dan cohe encia con
in es igaciones an e io es que han u ilizado en oques de
ap endizaje p o undo pa a la iden i icación de melanoma,
donde modelos basados en edes con olucionales han
mos ado desempeños compa ables a los de especialis as en
de ma ología. Po ejemplo, en la in es igación de Ma on e al
[20], se desa olló y en enó una CNN empleando un o al de
11,444 imágenes de moscópicas, e aluando pos e io men e
su desempeño en un g upo de p ueba con o mado po 6,390
imágenes con e i icación his opa ológica. En es e es udio se
e idenció que la CNN alcanzó una especi icidad del 91.3% en
la clasi icación bina ia de lesiones benignas y malignas,
supe ando signi ica i amen e la especi icidad alcanzada po
los de ma ólogos, co espondien e al 59.8%. Asimismo, la
sensibilidad ob enida po la CNN ue simila a la de los
especialis as, mien as que sus alo es de especi icidad y
sensibilidad ue on supe io es en las p uebas compa a i as.
En é minos compa ables, en la in es igación ealizada po
Haenssle e al. [21] se abo da una compa ación simila . Se
u ilizó una ed neu onal con olucional (CNN) ap obada pa a
el me cado eu opeo como disposi i o médico (Moleanalyze
P o, Fo oFinde Sys ems) pa a clasi ica imágenes
de moscópicas de lesiones cu áneas. La p ecisión de la CNN
se compa ó con la de 96 de ma ólogos, quienes e alua on las
mismas imágenes bajo condiciones menos a i iciales,
incluyendo imágenes clínicas y de moscópicas, jun o con
in o mación ex ual del caso. Los esul ados mos a on que la
CNN log ó una sensibilidad del 95.0% y una especi icidad del
76.7%, con un á ea bajo la cu a (AUC) de 0.918. En
compa ación, los 96 de ma ólogos alcanza on una
sensibilidad del 89.0% y una especi icidad del 80.7 en su
p ime a e aluación (ni el I), que mejo ó signi ica i amen e al
94.1% con in o mación adicional (ni el II), mien as que la
especi icidad se man u o p ác icamen e igual en 80.4%.
Po lo an o, en la p esen e in es igación el análisis
de allado de la ma iz de con usión e ela la p esencia de
e o es de ipo I ( alsos posi i os), en los que el modelo
clasi ica e óneamen e lesiones benignas como malignas, y
e o es de ipo II ( alsos nega i os), donde casos de melanoma
no son co ec amen e iden i icados. La exis encia de es os
e o es puede ae consigo implicaciones clínicas
signi ica i as. Un also posi i o pod ía lle a a ealiza
p ocedimien os in asi os innecesa ios, mien as que un also
nega i o pod ía e asa un diagnós ico opo uno y, po lo
an o, el a amien o del pacien e.
Uno de los p incipales desa íos que se ha iden i icado en
es e es udio es la posible exis encia de sesgos en los da os de
en enamien o. La a iabilidad en la calidad de las imágenes,
el desequilib io en la dis ibución de clases y la a iedad en
los ipos de lesiones pueden a ec a la capacidad del modelo
pa a gene aliza en en o nos clínicos eales. Es c ucial que en
u u as in es igaciones se abo den es os aspec os, in eg ando
conjun os de da os más amplios y di e sos que incluyan
imágenes de di e en es uen es y poblaciones.
Con el in de mejo a la obus ez del modelo y educi los
e o es de clasi icación, se ecomienda conside a es a egias
como la op imización de los umb ales de decisión, la
aplicación de écnicas de aumen o de da os pa a di e si ica el
conjun o de en enamien o, y la implemen ación de en oques
de ap endizaje po ans e encia, u ilizando a qui ec u as
p een enadas en g andes conjun os de da os médicos.
Además, combina écnicas de in e p e ación de modelos,
como G ad-CAM, pod ía o ece una mejo comp ensión de
las á eas de in e és que la ed neu onal ha señalado, lo que
acili a ía la alidación po pa e de expe os clínicos.
Es o se e e lejado en la in es igación dada po Salma y
El ass [22] donde se p opone un mé odo basado en il ado
mo ológico pa a la eliminación de ello en imágenes
de ma ológicas, compues o po dos ases p incipales.
P ime o, se con ie e la imagen a escala de g ises median e
una ans o mación ponde ada del espacio de colo RGB.
Luego, el con o no del ello se de ec a median e la
ans o mación mo ológica de somb e o neg o.
Pos e io men e, se emplea el Mé odo de Ma cha Rápida
(FMM) pa a aplica una unción de inpain ing y gene a una
másca a, donde los píxeles po debajo de un umb al se asignan
a 0 y el es o a 1. T as el p ep ocesamien o, se implemen a una
es a egia de aumen o de da os median e o aciones de 0°, 90°,
180° y 270°, gene ando cua o nue as imágenes po cada
o iginal. Es e p ocedimien o pe mi e expandi el conjun o de
da os y mi iga la escasez de imágenes e ique adas.
O a línea de mejo a es la in eg ación de me odologías
híb idos que in eg en algo i mos de ap endizaje p o undo con
écnicas adicionales de p ocesamien o de imágenes y
mé odos basados en eglas clínicas, lo que pod ía mejo a la
in e p e abilidad del sis ema y aumen a su con iabilidad en la
p ác ica médica. Además, la implemen ación de écnicas de
calib ación p obabilís ica puede con ibui a disminui la
insegu idad en la oma de decisiones, p opo cionando
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XIII, Issue 1, Janua y - June 2026
p edicciones más con iables pa a los especialis as en
de ma ología.
Siendo así, los hallazgos de es e es udio e ue zan el
po encial del ap endizaje p o undo en la de ección emp ana
del melanoma, mos ando mé icas de endimien o
compa ables con mé odos con encionales de diagnós ico. No
obs an e, la p esencia de e o es en la clasi icación y las
limi aciones asociadas a la calidad y di e sidad de los da os
sugie en la necesidad de u u as op imizaciones pa a
ga an iza su aplicabilidad en con ex os clínicos eales. La
in eg ación de écnicas a anzadas de p ep ocesamien o, ajus e
de hipe pa áme os y alidación en coho es independien es
pe mi i á o alece la e icacia del modelo, acili ando su
adopción como he amien a de apoyo en el diagnós ico
de ma ológico.
V. CONCLUSIONES
El p esen e es udio ha e aluado la capacidad de un
algo i mo de edes neu onales del ipo con olucional pa a la
de ección y clasi icación de lesiones cu áneas, ob eniendo
esul ados al amen e sa is ac o ios en é minos de exac i ud,
p ecisión, sensibilidad y pun aje F1.
El análisis de la ma iz de con usión y las mé icas de
calidad e ela que el modelo log a un equilib io adecuado
en e la iden i icación de casos posi i os y nega i os, con una
asa de alsos posi i os y alsos nega i os ela i amen e baja.
Asimismo, la adopción del alo del á ea bajo la cu a ROC
(AUC) como indicado de endimien o espalda la capacidad
del modelo pa a dis ingui e icazmen e en e lesiones
benignas y malignas.
A pesa de los esul ados ob enidos, se iden i ican
opo unidades de op imización. La implemen ación de
écnicas de p ep ocesamien o, como la eliminación de
a e ac os en las imágenes y el uso de aumen o de da os, ha
con ibuido signi ica i amen e a la mejo a del modelo. No
obs an e, u u os abajos pod ían explo a la in eg ación de
écnicas más a anzadas de segmen ación de imágenes, ajus es
en los umb ales de decisión y en oques de ap endizaje ac i o
pa a mejo a la obus ez del modelo en dis in os conjun os de
da os.
Aunque los hallazgos de es e es udio son p ome edo es, la
adopción del modelo en en o nos clínicos equie e
alidaciones adicionales. Es p imo dial e alua su desempeño
en escena ios del mundo eal, conside ando la a iabilidad en
la calidad de las imágenes y la di e sidad de poblaciones de
pacien es. La colabo ación con especialis as en de ma ología
se á cla e pa a ga an iza que el modelo no solo sea p eciso,
sino ambién in e p e able y ú il en la p ác ica médica.
REFERENCIAS
[1] Sociedad Ame icana Con a el Cánce , “Es adís icas
impo an es sob e el cánce de piel ipo melanoma,”
Es adís icas impo an es sob e el cánce de piel ipo
melanoma. Accessed: Feb. 07, 2025. [Online].
A ailable:
h ps://www.cance .o g/es/cance / ipos/cance -de-
piel- ipo-melanoma/ace ca/es adis icas-cla e.h ml
[2] S. P. Ko hapalli, P. S. H. P iya, V. S. Reddy, B.
Lahya, and P. Ragam, “Melanoma Skin Cance
De ec ion using SVM and CNN,” EAI Endo sed
T ans Pe asi e Heal h Technol, ol. 9, no. 1, May
2023, doi: 10.4108/ee ph .9.4340.
[3] F. Yalcinkaya and A. E bas, “Con olu ional neu al
ne wo k and uzzy logic-based hyb id melanoma
diagnosis sys em,” Elek onika i Elek o echnika,
ol. 27, no. 2, pp. 69–77, 2021, doi:
10.5755/j02.eie.28843.
[4] Alexande Sca la MD, “Da ase Melanoma,”
Kaggle. Accessed: Feb. 20, 2025. [Online].
A ailable:
h ps://www.kaggle.com/da ase s/d sca la /melanom
a
[5] T. Lee, V. Ng, R. Gallaghe , A. Coldman, and D.
McLean, “Dull azo ®: A so wa e app oach o hai
emo al om images,” Compu Biol Med, ol. 27,
no. 6, pp. 533–543, 1997, doi:
h ps://doi.o g/10.1016/S0010-4825(97)00020-6.
[6] C. H. Chen, “Adap i e Image Fil e ing,” P oceedings
- IEEE Compu e Socie y Con e ence on Pa e n
Recogni ion and Image P ocessing, pp. 19–31, Jan.
2000, doi: 10.1016/B978-012077790-7/50005-9.
[7] Ke as, “The Sequen ial class.” Accessed: Feb. 20,
2025. [Online]. A ailable:
h ps://ke as.io/api/models/sequen ial/
[8] Ke as, “Con 2D laye .” Accessed: Feb. 20, 2025.
[Online]. A ailable:
h ps://ke as.io/api/laye s/con olu ion_laye s/con ol
u ion2d/
[9] Ke as, “Ba chNo maliza ion laye .” Accessed: Feb.
20, 2025. [Online]. A ailable:
h ps://ke as.io/api/laye s/no maliza ion_laye s/ba c
h_no maliza ion/
[10] Ke as, “Laye ac i a ion unc ions - ReLu .”
Accessed: Feb. 20, 2025. [Online]. A ailable:
h ps://ke as.io/api/laye s/ac i a ions/# elu- unc ion
[11] Ke as, “MaxPooling2D laye .” Accessed: Feb. 20,
2025. [Online]. A ailable:
h ps://ke as.io/api/laye s/pooling_laye s/max_pooli
ng2d/
[12] Ke as, “Fla en laye .” Accessed: Feb. 20, 2025.
[Online]. A ailable:
h ps://ke as.io/api/laye s/ eshaping_laye s/ la en/
[13] Ke as, “Dense laye .” Accessed: Feb. 20, 2025.
[Online]. A ailable:
h ps://ke as.io/api/laye s/co e_laye s/dense/
[14] Ke as, “Laye ac i a ion unc ions | So Max.”
Accessed: Feb. 20, 2025. [Online]. A ailable:
h ps://ke as.io/api/laye s/ac i a ions/#so max-
unc ion
[15] Ke as, “Adam.” Accessed: May 13, 2025. [Online].
A ailable: h ps://ke as.io/api/op imize s/adam/
[16] D. P. Kingma and J. Ba, “Adam: A Me hod o
S ochas ic Op imiza ion,” Dec. 2014, [Online].
A ailable: h p://a xi .o g/abs/1412.6980
[17] Ke as, “Ea lyS opping.” Accessed: Feb. 20, 2025.
[Online]. A ailable:
h ps://ke as.io/api/callbacks/ea ly_s opping/
[18] Ke as, “ReduceLROnPla eau.” Accessed: Feb. 20,
2025. [Online]. A ailable:
h ps://ke as.io/api/callbacks/ educe_l _on_pla eau/
[19] Google Cloud, “In oducción a Cloud TPU.”
Accessed: Feb. 20, 2025. [Online]. A ailable:
h ps://cloud.google.com/ pu/docs/in o- o-
pu?hl=es-419
J. León and R. Cedeño,
“Aplicación de Redes Neu onales Con olucionales en la De ección Au omá ica de Melanoma Cu áneo”,
La in-Ame ican Jou nal o Compu ing (LAJC), ol. 13, no. 1, 2026.
[20] R. C. Ma on e al., “Sys ema ic ou pe o mance o
112 de ma ologis s in mul iclass skin cance image
classi ica ion by con olu ional neu al ne wo ks,” Eu
J Cance , ol. 119, pp. 57–65, Sep. 2019, doi:
10.1016/j.ejca.2019.06.013.
[21] H. A. Haenssle e al., “Man agains machine
eloaded: pe o mance o a ma ke -app o ed
con olu ional neu al ne wo k in classi ying a b oad
spec um o skin lesions in compa ison wi h 96
de ma ologis s wo king unde less a i icial
condi ions,” Annals o Oncology, ol. 31, no. 1, pp.
137–143, Jan. 2020, doi:
10.1016/j.annonc.2019.10.013.
[22] W. Salma and A. S. El ass, “Au oma ed deep
lea ning app oach o classi ica ion o malignan
melanoma and benign skin lesions,” Mul imed Tools
Appl, ol. 81, no. 22, pp. 32643–32660, Sep. 2022,
doi: 10.1007/s11042-022-13081-x.
