Un marco robusto de aprendizaje profundo para la clasificación multiclasista del cáncer de piel

El cáncer de piel representa una preocupación significativa para la salud global, donde un diagnóstico temprano y preciso juega un papel fundamental en la mejora de la eficacia del tratamiento y las tasas de supervivencia de los pacientes. Sin embargo, las similitudes visuales inherentes entre las lesiones benignas y malignas plantean desafíos sustanciales para una clasificación precisa. Para superar estos obstáculos, este estudio propone un modelo híbrido innovador de aprendizaje profundo que combina bloques de ConvNeXtV2 y mecanismos de auto atención separables, diseñado para mejorar la extracción de características y optimizar el rendimiento de clasificación. La inclusión de bloques de ConvNeXtV2 en las dos primeras etapas se debe a su capacidad para capturar de manera efectiva características locales de grano fino y patrones sutiles, que son críticos para distinguir entre tipos de lesiones visualmente similares. Mientras tanto, la adopción de auto atención separable en las etapas posteriores permite que el modelo priorice selectivamente regiones diagnósticamente relevantes mientras minimiza la complejidad computacional, abordando las ineficiencias a menudo asociadas con los mecanismos de auto atención tradicionales. El modelo fue entrenado y validado de manera integral en el conjunto de datos ISIC 2019, que incluye ocho categorías distintas de lesiones cutáneas. Se emplearon metodologías avanzadas como la ampliación de datos y el aprendizaje por transferencia para mejorar aún más la robustez y la fiabilidad del modelo. La arquitectura propuesta logró métricas de rendimiento excepcionales, con un 93.48% de precisión, un 93.24% de precisión, un 90.70% de recuperación y un 91.82% de puntuación F1, superando a más de diez modelos basados en Redes Neuronales Convolucionales (CNN) y más de diez modelos basados en Transformadores de Visión (ViT) probados en condiciones comparables. A pesar de su robusto rendimiento, el modelo mantiene un diseño compacto con solo 21.92 millones de parámetros, lo que lo hace altamente eficiente y adecuado para el despliegue del modelo. El Modelo Propuesto demuestra una precisión y generalizabilidad excepcionales en diversas clases de lesiones cutáneas, estableciendo un marco confiable para el diagnóstico temprano y preciso del cáncer de piel en la práctica clínica.