Uso de redes neuronales convolucionales en teléfonos inteligentes para la identificación de enfermedades cutáneas

Jormany Quintero, Jesús González

Resumen


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, donde algunas de ellas pueden evolucionar hasta convertirse en lesiones malignas siendo  un riego para el paciente. Con la continua evolución de la tecnología, las herramientas de diagnóstico han ido evolucionando
incorporando los teléfonos inteligentes en las actividades clínicas. Las aplicaciones móviles que soportan al dermatólogo  en tareas de diagnóstico son escasas y limitadas, en este sentido el propósito de este trabajo fue desarrollar un prototipo  de aplicación móvil basada en Android para el reconocimiento de lesiones cutáneas en tiempo real usando redes neuronales  convolucionales. La aplicación móvil desarrollada implementó la librería TensorFlow para la ejecución del modelo.  El reconocimiento implemtó el modelo Mobilenet V2, junto con un banco de 305 imágenes obtenidas de la internet.Las enfermedades seleccionadas para la identificación fueron: melanoma, psoriasis en placa, sarcoma de Kaposi y dermatitis  atópica. Las pruebas de la aplicación se realizaron en dos equipos diferentes para evaluar el comportamiento. Las
lesiones de tipo melanoma, psoriasis en placa y dermatitis atópica, presentaron un buen desempeño (>75%) para la  predicción y un desempeño regular (<75%) en la predicción de enfermedades tipo sarcoma de Kaposi. La aplicación  móvil desarrollada demostró un buen comportamiento a pesar de la baja cantidad de imágenes  usadas en el entrenamiento.

 

Recibido: 27/05/2020

Aceptado:27/06/2020


Palabras clave


Aprendizaje automático; Enfermedades de la piel; Inteligencia artificial; Salud.

Texto completo:

PDF

Referencias


Suárez-Sánchez J, Colín-Rivas L, Mejía-González A, Ambríz-Polo J, García-Mejía J. Una aproximación al diagnostico de enfermedades de la piel por medio de aprendizaje profundo. Aristas Investig Básica y Apl [Internet]. 2018;6(12):13–6. Disponible en: http://fcqi.tij.uabc.mx/usuarios/revistaaristas/numeros/N12/articulos/13-16.pdf

Leguizamon Correa DN, Bareiro Paniagua LR, Vazquez Noguera JL, Pinto-Roa DP, Salgueiro Toledo LA. Computerized Diagnosis of Melanocytic Lesions Based on the ABCD Method. En: 2015 Latin American Computing Conference (CLEI) [Internet]. Arequipa, Perú: IEEE; 2015. p. 1–12. Disponible en: https://ieeexplore.ieee.org/document/7360029/

Serrano-Fernández J. Sistema de ayuda al diagnóstico para la detección temprana de melanomas [Internet]. [Madrid, Españal]: Universidad Carlos III de Madrid; 2017. Disponible en: https://e-archivo.uc3m.es/bitstream/handle/10016/28200/TFG_Jose_Serrano_Fernandez.pdf?sequence=1

Hameed N, Ruskin A, Abu Hassan K, Hossain MA. A comprehensive survey on image-based computer aided diagnosis systems for skin cancer. En: 2016 10th International Conference on Software, Knowledge, Information Management & Applications (SKIMA) [Internet]. Chengdu, China: IEEE; 2016. p. 205–14. Disponible en: https://ieeexplore.ieee.org/document/7916221/

Shoieb DA, Youssef SM, Aly WM. Computer-Aided Model for Skin Diagnosis Using Deep Learning. J Image Graph [Internet]. 2016;4(2):122–9. Disponible en: http://www.joig.org/index.php?m=content&c=index&a=show&catid=44&id=145

González-Cruz C, Jofre MA, Podlipnik S, Combalia M, Gareau D, Gamboa M, et al. Uso del aprendizaje automático en el diagnóstico del melanoma. Limitaciones por superar. Actas Dermosifiliogr [Internet]. mayo de 2020;111(4):313–6. Disponible en: https://linkinghub.elsevier.com/retrieve/pii/S0001731020300041

Fernández-Blázquez P. Detección del cáncer de piel mediante técnicas de visión artificial [Internet]. [Leganés]: Universidad Carlos III de Madrid; 2017. Disponible en: https://e-archivo.uc3m.es/bitstream/handle/10016/27843/TFG_Paula_Fernandez_Blazquez.pdf?sequence=1

Artola-Moreno A. Clasificación de imágenes usando redes neuronales convoluciones en Python [Internet]. Universidad de Sevilla; 2019. Disponible en: https://idus.us.es/bitstream/handle/11441/89506/TFG-2402-ARTOLA.pdf?sequence=1

Tincopa-Flores JP. Diseño y evaluación de un sistema de ayuda al diagnóstico para neuropatía diabética basado en la lectura de puntos de presión plantar y Machine Learning [Internet]. [Lima, Perú]: Universidad Peruana Cayetano Heredia; 2019. Disponible en: http://190.116.48.43/handle/upch/7239

de Bruijne M. Machine learning approaches in medical image analysis: From detection to diagnosis. Med Image Anal [Internet]. octubre de 2016;33:94–7. Disponible en: https://linkinghub.elsevier.com/retrieve/pii/S1361841516301098

Chen H, Zhang K, Lyu P, Li H, Zhang L, Wu J, et al. A deep learning approach to automatic teeth detection and numbering based on object detection in dental periapical films. Sci Rep [Internet]. el 7 de diciembre de 2019;9(1):3840. Disponible en: http://www.nature.com/articles/s41598-019-40414-y

Cheng C, Shueng P-W, Chang C-C, Kuo C-W. Adapting an Evidence-based Diagnostic Model for Predicting Recurrence Risk Factors of Oral Cancer. J Univers Comput Sci [Internet]. 2018;24(6):742–52. Disponible en: http://jucs.org/jucs_24_6/adapting_an_evidence_based/jucs_24_06_0742_0752_cheng.pdf

Leivi AE. Análisis de la implementación de Machine Learning en el diagnóstico por imágenes [Internet]. [Buenos Aires, Argentina]: Universidad de San Andrés; 2019. Disponible en: http://repositorio.udesa.edu.ar/jspui/bitstream/10908/16748/1/%5BP%5D%5BW%5D T. M. Ges. Leivi%2C Alejo Ezequiel.pdf

Del Río-Solá M, López Santos J, Vaquero Puerta C. La inteligencia artificial en el ámbito médico. Rev Española Investig Quirúrgicas [Internet]. 2018;21(3):113–6. Disponible en: http://www.reiq.es/ING/pdf/REIQ21.3.2018.pdf#page=47

Zhan A, Mohan S, Tarolli C, Schneider RB, Adams JL, Sharma S, et al. Using Smartphones and Machine Learning to Quantify Parkinson Disease Severity. JAMA Neurol [Internet]. el 1 de julio de 2018;75(7):876. Disponible en: http://www.ncbi.nlm.nih.gov/pubmed/29582075

González J. Diseño e implementación de una aplicación móvil inteligente en Android para reconocimiento de lesiones y enfermedades cutáneas y en la mucosa bucal. [Mérida, Venezuela]: Universidad de Los Andes; 2019.

Finnane A, Dallest K, Janda M, Soyer HP. Teledermatology for the Diagnosis and Management of Skin Cancer: A Systematic Review. JAMA dermatology [Internet]. el 1 de marzo de 2017;153(3):319–27. Disponible en:http://archderm.jamanetwork.com/article.aspx?doi=10.1001/jamadermatol.2016.4361

Freeman K, Dinnes J, Chuchu N, Takwoingi Y, Bayliss SE, Matin RN, et al. Algorithm based smartphone apps to assess risk of skin cancer in adults: systematic review of diagnostic accuracy studies. BMJ [Internet]. el 10 de febrero de 2020;368:m127. Disponible en: http://www.bmj.com/lookup/doi/10.1136/bmj.m127

de Carvalho TM, Noels E, Wakkee M, Udrea A, Nijsten T. Development of Smartphone Apps for Skin Cancer Risk Assessment: Progress and Promise. JMIR Dermatology [Internet]. el 11 de julio de 2019;2(1):e13376. Disponible en: http://derma.jmir.org/2019/1/e13376/

Caiza Caizabuano JR, Mise-Pasuña JL, Andaluz-Espinosa DF, Reyes-Chicango R. Analysis of mobile applications that help skin care through facial recognition: A systematic analysis. KnE Eng [Internet]. el 8 de enero de 2020;2020:76–88. Disponible en: https://knepublishing.com/index.php/KnE-Engineering/article/view/5922

Mariakakis A, Patel S. Ocular symptom detection using smartphones. En: Proceedings of the 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing: Adjunct [Internet]. New York, NY, USA: ACM; 2016. p. 435–40. Disponible en: https://dl.acm.org/doi/10.1145/2968219.2971354

Kang SH, Joe B, Yoon Y, Cho GY, Shin I, Suh JW. Cardiac Auscultation Using Smartphones: Pilot Study. JMIR mHealth uHealth [Internet]. el 28 de febrero de 2018;6(2):e49. Disponible en: http://mhealth.jmir.org/2018/2/e49/

Hubiche T, Valério L, Boralevi F, Mahe E, Bodemer Skandalis C, Phan A, et al. Visualization of Patients’ Skin Lesions on Their Smartphones. JAMA Dermatology [Internet]. el 1 de enero de 2016;152(1):95. Disponible en: http://archderm.jamanetwork.com/article.aspx?doi=10.1001/jamadermatol.2015.2977

Kanimozhi T, Murthi A. Computer aided Melanoma skin cancer detection using Artificial Neural Network classifier. Singaporean J Sci Res [Internet]. 2016;8(2):35–43. Disponible en: http://www.sjsronline.com/Papers/Papers/sjsrvol8no22016-5.pdf

Kawahara J, BenTaieb A, Hamarneh G. Deep features to classify skin lesions. En: 2016 IEEE 13th International Symposium on Biomedical Imaging (ISBI) [Internet]. Praga: IEEE; 2016. p. 1397–400. Disponible en: http://ieeexplore.ieee.org/document/7493528/

Romero-Lopez A, Giro-i-Nieto X, Burdick J, Marques O. Skin Lesion Classification from Dermoscopic Images Using Deep Learning Techniques. En: Biomedical Engineering [Internet]. Calgary,AB,Canada: ACTAPRESS; 2017. p. 49–54. Disponible en: http://www.actapress.com/PaperInfo.aspx?paperId=456417

Alcoceba-Álvarez D. Detector automático de lesiones de piel en imágenes dermoscópicas con Deep Learning [Internet]. EscuelaTécnica Superior de Ingeniería y Sistemas de Telecomunicación; 2018. Disponible en: http://oa.upm.es/54096/1/TFG_DIEGO_ALCOCEBA_ALVAREZ.pdf

Burdick J, Marques O, Weinthal J, Furht B. Rethinking Skin Lesion Segmentation in a Convolutional Classifier. J Digit Imaging [Internet]. el 18 de agosto de 2018;31(4):435–40. Disponible en: http://link.springer.com/10.1007/s10278-017-0026-y

Rojas J. Aplicaciones Biomédicas de Visión Computacional: Detección Automática de Melanoma [Internet]. Universidad Central “Marta Abreu” de Las Villas; 2013. Disponible en: https://dspace.uclv.edu.cu/bitstream/handle/123456789/1652/Jessica Rojas Rosales.pdf?sequence=1&isAllowed=y

Bhattacharya A, Young A, Wong A, Stalling S, Wei M, Hadley D. Precision Diagnosis Of Melanoma And Other Skin Lesions From Digital Images. AMIA Jt Summits Transl Sci proceedings AMIA Jt Summits Transl Sci [Internet]. 2017;2017:220–6. Disponible en: http://www.ncbi.nlm.nih.gov/pubmed/28815132

Han SS, Kim MS, Lim W, Park GH, Park I, Chang SE. Classification of the Clinical Images for Benign and Malignant Cutaneous Tumors Using a Deep Learning Algorithm. J Invest Dermatol [Internet]. 2018;138(7):1529–38. Disponible en: https://linkinghub.elsevier.com/retrieve/pii/S0022202X18301118

Coronado RR. Reconocimiento De Patrones En Imagenes No Dermatoscopicas Para La Detección De Enfermedades Malignas En La Piel, Utilizando Redes Neuronales Convolutivas Y Autocodificadores [Internet]. [Arequipa, Perú]: Universidad Nacional de San Agustín; 2018. Disponible en: http://repositorio.unsa.edu.pe/bitstream/handle/UNSA/6520/ISMcoperr.pdf?sequence=1&isAllowed=y

Salido JAA, Jr. CR. Using Deep Learning for Melanoma Detection in Dermoscopy Images. Int J Mach Learn Comput [Internet]. febrero de 2018;8(1):61–8. Disponible en: http://www.ijmlc.org/index.php?m=content&c=index&a=show&catid=76&id=771

Ziaten-Cerezo E. Clasificación de lesiones en la piel usando aprendizaje profundo [Internet]. [Málaga, España]: Universidad de Málaga; 2018. Disponible en: https://riuma.uma.es/xmlui/bitstream/handle/10630/19213/Ibn Ziaten CerezoMemoria.pdf?sequence=1&isAllowed=y

Yap J, Yolland W, Tschandl P. Multimodal skin lesion classification using deep learning. Exp Dermatol [Internet]. noviembre de 2018;27(11):1261–7. Disponible en: http://doi.wiley.com/10.1111/exd.13777

Domènech T. Clasificación de imágenes dermatoscópicas utilizando Redes Neuronales Convolucionales e información de metadatos [Internet]. [Barcelona, España]: Universidad Politécnica de Catalunya; 2019. Disponible en: https://upcommons.upc.edu/bitstream/handle/2117/165606/Final_thesis_TDA.pdf

Velasco J, Pascion C, Alberio JW, Apuang J, Cruz JS, Gomez MA, et al. A Smartphone-Based Skin Disease Classification Using MobileNet CNN. Int J Adv Trends Comput Sci Eng [Internet]. el 15 de octubre de 2019;8(5):2632–7. Disponible en: http://www.warse.org/IJATCSE/static/pdf/file/ijatcse116952019.pdf

Méndez-Hernández R. Aprendizaje profundo para la segmentación de lesiones pigmentadas de la piel [Internet]. [Sevilla, España]: Universidad de Sevilla; 2019. Disponible en: https://idus.us.es/bitstream/handle/11441/92186/TFM-1430-MENDEZ.pdf?sequence=1

Yang J, Sun X, Liang J, Rosin PL. Clinical Skin Lesion Diagnosis Using Representations Inspired by Dermatologist Criteria. En: 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition [Internet]. Utah, Estados Unidos: IEEE; 2018. p. 1258–66. Disponible en: https://ieeexplore.ieee.org/document/8578235/

Pham TC, Luong CM, Visani M, Hoang VD. Deep CNN and Data Augmentation for Skin Lesion Classification. En: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) [Internet]. 2018. p. 573–82. Disponible en: http://link.springer.com/10.1007/978-3-319-75420-8_54

Kalwa U, Legner C, Kong T, Pandey S. Skin Cancer Diagnostics with an All-Inclusive Smartphone Application. Symmetry (Basel) [Internet]. el 13 de junio de 2019;11(6):790. Disponible en: https://www.mdpi.com/2073-8994/11/6/790

Gal Y, Islam R, Ghahramani Z. Deep Bayesian Active Learning with Image Data. Proc 34th Int Conf Mach Learn [Internet]. el 8 de marzo de 2017; Disponible en: http://arxiv.org/abs/1703.02910

Sánchez-Hernández J, Hernández-Rabadán D. Comparación de métodos de clasificación aplicados al diagnóstico de melanomas malignos mediante asimetría. Program Matemática y Softw [Internet]. 2014;6(2):51–6. Disponible en: http://riaa.uaem.mx/handle/20.500.12055/109




Depósito Legal Electrónico: ME2018000069

ISSN: 2665-0495

Se encuentra actualmente registrada y aceptada en las siguientes base de datos, directorios e índices: 

 

Creative Commons License
Todos los documentos publicados en esta revista se distribuyen bajo una
Licencia Creative Commons Atribución -No Comercial- Compartir Igual 4.0 Internacional.
Por lo que el envío, procesamiento y publicación de artículos en la revista es totalmente gratuito.