Revisión sistemática de métodos de Aprendizaje Profundo para la identificación del Melanoma Acral en imágenes dermatoscópicas

• Autores: Ramos Ortiz, Jhon Franklin, Forero Vargas, Manuel Guillermo
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/17075
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17075
• Nivel de acceso: acceso abierto
• Materia: Melanoma acral; Aprendizaje profundo; Imágenes dermatoscópicas; Diagnóstico asistido por computadora; Revisión sistemática; https://purl.org/pe-repo/ocde/ford#2.02.04

El melanoma acral representa uno de los subtipos de melanoma con mayor dificultad diagnóstica debido a su localización y similitud visual con lesiones benignas, lo que motivó el desarrollo de métodos computacionales de apoyo al diagnóstico. El objetivo de esta revisión sistemática fue evaluar críticamente los enfoques basados en aprendizaje profundo para la identificación del melanoma acral en imágenes dermatoscópicas, considerando su rendimiento diagnóstico y la equidad en la representación de los datos. Se analizaron 43 estudios publicados entre enero de 2020 y junio de 2025, identificados en Scopus, ScienceDirect e IEEE Xplore, siguiendo el protocolo PRISMA 2020. Los resultados mostraron que las redes neuronales convolucionales y los modelos basados en aprendizaje profundo lograron altos niveles de rendimiento diagnóstico, especialmente en términos de precisión, sensibilidad (recall), especificidad, F1-Score y el área bajo la curva ROC (AUROC), aunque se identificaron limitaciones relacionadas con el tamaño y la diversidad poblacional de los conjuntos de datos, así como con la escasa validación clínica externa. Se concluyó que los métodos de aprendizaje profundo constituyeron herramientas prometedoras para el apoyo al diagnóstico del melanoma acral; sin embargo, se evidenció la necesidad de conjuntos de datos más representativos y estudios con validación clínica robusta que permitan su implementación efectiva en entornos médicos reales.