Una máquina de soporte vectorial para el apoyo en la decisión en el reconocimiento de melanoma

El diagnóstico temprano de melanoma es crítico para lograr una mortalidad reducida y aumentar la supervivencia. Aunque el examen clínico es actualmente el método de elección para la evaluación de lesiones melanocíticas, pueden surgir dificultades en el diagnóstico de lesiones atípicas. Tanto desde la perspectiva a simple vista como la dermoscópica, los nevos displásicos a menudo exhiben una heterogeneidad estructural prominente que dificulta su distinción clínica del melanoma. Para abordar estos problemas en el diagnóstico, existe un interés creciente entre los investigadores sobre la utilidad de las técnicas de aprendizaje automático en el análisis de imágenes por computadora. Aquí informamos sobre la utilidad, para los dermatólogos, de la tecnología de máquinas de soporte vectorial (SVM) en el diagnóstico de melanoma, utilizando un archivo de 199 imágenes dermoscópicas digitales de lesiones melanocíticas atípicas extirpadas. Nuestros mejores modelos de validación lograron una sensibilidad y especificidad promedio para el diagnóstico de melanoma de 0.86 y 0.72, respectivamente. Aplicar el mejor modelo a nuestro conjunto de prueba produjo una sensibilidad de 0.89, un cociente de probabilidades diagnósticas de 14.09 y un área bajo la curva característica operativa del receptor (AUC) de 0.76. Las ventajas del procedimiento implementado son la simplicidad de la extracción de características y la naturaleza computacionalmente económica y eficiente de las SVM. El modelo derivado generaliza bien con resultados que se comparan favorablemente con algoritmos competidores y la evaluación de expertos. De acuerdo con el concepto de la utilidad de los sistemas de apoyo a la decisión en la práctica clínica, proponemos que para reducir el riesgo de melanomas no detectados, tanto la evaluación de los dermatólogos como el diagnóstico por SVM se incorporen en el proceso de toma de decisiones clínicas.