Características operativas de una prueba diagnóstica basada en un algoritmo de inteligencia artificial entrenado con las imágenes del HAM 10000 para el diagnóstico de lesiones pigmentadas en fototipos claros y oscuros

Introducción: La inteligencia artificial (IA) se ha utilizado cada vez más en el campo de la dermatología para la clasificación de lesiones cutáneas. Sin embargo, la mayoría de los repositorios de imágenes actuales tienen una representación muy escasa de poblaciones diversas, incluidos los fototipos...

Full description

Autores:
Sánchez Zapata, Maria Juliana
Jaramillo Arboleda, Alejandra
Tipo de recurso:
https://purl.org/coar/resource_type/c_7a1f
Fecha de publicación:
2024
Institución:
Universidad El Bosque
Repositorio:
Repositorio U. El Bosque
Idioma:
spa
OAI Identifier:
oai:repositorio.unbosque.edu.co:20.500.12495/13960
Acceso en línea:
https://hdl.handle.net/20.500.12495/13960
Palabra clave:
Inteligencia artificial
Piel de color
Cáncer de piel
Lesiones pigmentadas
Dermatoscopia
Deep learning
Artifical intelligence
Skin of color
Skin cancer
Pigmented lesions
Dermoscopy
Deep learning
WR 100
Rights
closedAccess
License
Acceso cerrado
id UNBOSQUE2_bc21af4f5cf4f622756791cdb2e96985
oai_identifier_str oai:repositorio.unbosque.edu.co:20.500.12495/13960
network_acronym_str UNBOSQUE2
network_name_str Repositorio U. El Bosque
repository_id_str
dc.title.none.fl_str_mv Características operativas de una prueba diagnóstica basada en un algoritmo de inteligencia artificial entrenado con las imágenes del HAM 10000 para el diagnóstico de lesiones pigmentadas en fototipos claros y oscuros
dc.title.translated.none.fl_str_mv Learnings of the Assessment of a Deep Learning Algorithm Trained on the “HAM10000” Dataset for the Classification of Skin Cancer On Dermoscopic Images of Pigmented Skin Lesions from a Colombian Population
title Características operativas de una prueba diagnóstica basada en un algoritmo de inteligencia artificial entrenado con las imágenes del HAM 10000 para el diagnóstico de lesiones pigmentadas en fototipos claros y oscuros
spellingShingle Características operativas de una prueba diagnóstica basada en un algoritmo de inteligencia artificial entrenado con las imágenes del HAM 10000 para el diagnóstico de lesiones pigmentadas en fototipos claros y oscuros
Inteligencia artificial
Piel de color
Cáncer de piel
Lesiones pigmentadas
Dermatoscopia
Deep learning
Artifical intelligence
Skin of color
Skin cancer
Pigmented lesions
Dermoscopy
Deep learning
WR 100
title_short Características operativas de una prueba diagnóstica basada en un algoritmo de inteligencia artificial entrenado con las imágenes del HAM 10000 para el diagnóstico de lesiones pigmentadas en fototipos claros y oscuros
title_full Características operativas de una prueba diagnóstica basada en un algoritmo de inteligencia artificial entrenado con las imágenes del HAM 10000 para el diagnóstico de lesiones pigmentadas en fototipos claros y oscuros
title_fullStr Características operativas de una prueba diagnóstica basada en un algoritmo de inteligencia artificial entrenado con las imágenes del HAM 10000 para el diagnóstico de lesiones pigmentadas en fototipos claros y oscuros
title_full_unstemmed Características operativas de una prueba diagnóstica basada en un algoritmo de inteligencia artificial entrenado con las imágenes del HAM 10000 para el diagnóstico de lesiones pigmentadas en fototipos claros y oscuros
title_sort Características operativas de una prueba diagnóstica basada en un algoritmo de inteligencia artificial entrenado con las imágenes del HAM 10000 para el diagnóstico de lesiones pigmentadas en fototipos claros y oscuros
dc.creator.fl_str_mv Sánchez Zapata, Maria Juliana
Jaramillo Arboleda, Alejandra
dc.contributor.advisor.none.fl_str_mv Rueda Jaime , Lili
Toledo Arenas, Jose Daniel
dc.contributor.author.none.fl_str_mv Sánchez Zapata, Maria Juliana
Jaramillo Arboleda, Alejandra
dc.contributor.orcid.none.fl_str_mv Sanchez-Zapata, Maria J. [0000-0001-5939-0347]
Jaramillo Arboleda Alejandra [0000-0002-6565-8052]
dc.subject.none.fl_str_mv Inteligencia artificial
Piel de color
Cáncer de piel
Lesiones pigmentadas
Dermatoscopia
Deep learning
topic Inteligencia artificial
Piel de color
Cáncer de piel
Lesiones pigmentadas
Dermatoscopia
Deep learning
Artifical intelligence
Skin of color
Skin cancer
Pigmented lesions
Dermoscopy
Deep learning
WR 100
dc.subject.keywords.none.fl_str_mv Artifical intelligence
Skin of color
Skin cancer
Pigmented lesions
Dermoscopy
Deep learning
dc.subject.nlm.none.fl_str_mv WR 100
description Introducción: La inteligencia artificial (IA) se ha utilizado cada vez más en el campo de la dermatología para la clasificación de lesiones cutáneas. Sin embargo, la mayoría de los repositorios de imágenes actuales tienen una representación muy escasa de poblaciones diversas, incluidos los fototipos de piel oscuros, lo que puede afectar la precisión de los modelos de IA. Objetivo: Este estudio tuvo como objetivo evaluar el desempeño de un algoritmo de Deep Learning entrenado con el conjunto de datos HAM10000 para detectar lesiones cutáneas malignas en una población colombiana con diversos fototipos de piel y presentaciones clínicas. Métodos: Recopilamos un conjunto de datos de 165 imágenes, las cuales fueron evaluadas utilizando un algoritmo de Deep Learning entrenado con el conjunto de datos HAM10000. Estudiamos el desempeño del algoritmo utilizando métricas como AUC-ROC, AUC-PR, precisión, especificidad, sensibilidad, VPP y VPN, asi como el uso de los valores SHAP para analizar y explicar el resultado del modelo para estimar la importancia de los superpíxeles y crear imágenes superpuestas para una posterior interpretación clínica e identificación de patrones relevantes. Conclusiones: A pesar del potencial de los algoritmos de Deep Learning para clasificar lesiones cutáneas malignas, siempre debe enfatizarse la generalización, considerando factores y características de la población objetivo, como el fototipo de piel y la distribución de enfermedades cutáneas. Los métodos de explicabilidad desempeñan un papel fundamental en la implementación del modelo, permitiendo la detección de sesgos y la interpretación de las características del mismo.
publishDate 2024
dc.date.issued.none.fl_str_mv 2024-12
dc.date.accessioned.none.fl_str_mv 2025-02-14T15:39:15Z
dc.date.available.none.fl_str_mv 2025-02-14T15:39:15Z
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.local.spa.fl_str_mv Tesis/Trabajo de grado - Monografía - Especialización
dc.type.coar.none.fl_str_mv https://purl.org/coar/resource_type/c_7a1f
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coarversion.none.fl_str_mv https://purl.org/coar/version/c_ab4af688f83e57aa
format https://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12495/13960
dc.identifier.instname.spa.fl_str_mv instname:Universidad El Bosque
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Universidad El Bosque
dc.identifier.repourl.none.fl_str_mv repourl:https://repositorio.unbosque.edu.co
url https://hdl.handle.net/20.500.12495/13960
identifier_str_mv instname:Universidad El Bosque
reponame:Repositorio Institucional Universidad El Bosque
repourl:https://repositorio.unbosque.edu.co
dc.language.iso.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv 1. Ezenwa E, Stein JA, Krueger L. Dermoscopic features of neoplasms in skin of color: A review. Int J Womens Dermatol. 2021 Mar;7(2):145–51.
2. Kittler H, Pehamberger H, Wolff K, Binder M. Diagnostic accuracy of dermoscopy. Lancet Oncol. 2002 Mar;3(3):159–65.
3. Wang SQ, MarghoobAA, ScopeA. Principles of dermoscopy and dermoscopic equipment. 2nd ed. 2012. 3–9 p.
4. Liu Y, Primiero CA, Kulkarni V, Soyer HP, Betz-Stablein B. Artificial Intelligence for the Classification of Pigmented Skin Lesions in Populations with Skin of Color: A Systematic Review. Dermatology. 2023;239(4):499–513.
5. Buch J, Criton S. Dermoscopy Saga – A Tale of 5 Centuries. Indian J Dermatol. 2021;66(2):174–8.
6. Datta SK, Shaikh MA, Srihari SN, Gao M. Soft Attention Improves Skin Cancer Classification Performance. In: Reyes M, Henriques Abreu P, Cardoso J, Hajij M, Zamzmi G, Rahul P, et al., editors. Interpretability of Machine Intelligence in Medical Image Computing, and Topological Data Analysis and Its Applications for Medical Data [Internet]. Cham: Springer International Publishing; 2021 [cited 2023 Oct 10]. p. 13–23. (Lecture Notes in Computer Science; vol. 12929). Available from: https://link.springer.com/10.1007/978-3-030-87444-5_2
7. Chen X, Lu Q, Chen C, Jiang G. Recent developments in dermoscopy for dermatology. J Cosmet Dermatol. 2021;20(6):1611–7.
8. Sano T, Minagawa A, Suzuki R, Koga H, Okuyama R. Dermoscopy with near-ultraviolet light highlights the demarcation of melanin distribution in cutaneous melanoma. J Am Acad Dermatol. 2021 Jan;84(1):e23–4.
9. Ring C, Cox N, Lee JB. Dermatoscopy. Clin Dermatol. 2021 Aug;39(4):635–42.
10. Micali G, Verzì AE, Lacarrubba F. Alternative uses of dermoscopy in daily clinical practice: An update. Journal of the American Academy of Dermatology. 2018;79(6):1117-1132.e1.
11. Rosendahl C, Cameron A, McColl I, Wilkinson D. Dermatoscopy in routine practice - “chaos and clues.” Aust Fam Physician. 2012 Jul;41(7):482–7.
12. Ramji R, Valdes-Gonzalez G, Oakley A, Rademaker M. Dermoscopic “Chaos and Clues” in the diagnosis of melanoma in situ. Australas J Dermatol. 2018 Aug;59(3):201–5.
13. Weber P, Tschandl P, Sinz C, Kittler H. Dermatoscopy of Neoplastic Skin Lesions: Recent Advances, Updates, and Revisions. Curr Treat Options Oncol. 2018 Sep 20;19(11):56.
14. Dinnes J, Deeks JJ, Chuchu N, Ferrante di Ruffano L, Matin RN, Thomson DR, et al. Dermoscopy, with and without visual inspection, for diagnosing melanoma in adults. Cochrane Database of Systematic Reviews. 2018;2018(12).
15. Dimitrios Sgouros, Zoe Apalla, Dimitrios Ioannides, Alexander Katoulis, Dimitrios Rigopoulos, Elena Sotiriou, et al. Dermoscopy of Common Inflammatory Disorders - ScienceDirect. 36(4):359–68.
16. Verzì AE, Lacarrubba F, Dinotta F, Micali G. Dermatoscopy of Parasitic and Infectious Disorders. Dermatologic Clinics. 2018 Oct 1;36(4):349–58.
17. Leung AKC, Hon KL, Leong KF, Barankin B, Lam JM. Tinea Capitis: An Updated Review. Recent Pat Inflamm Allergy Drug Discov. 2020;14(1):58–68.
18. Lima Dantas M, Serrão Fensterseifer G, Henrique Martins P, Paipilla Hernandez IA, Eibs Cafrune F. Entodermoscopy in the Diagnosis of Tinea Nigra: Two Case Reports. Dermatol Pract Concept. 2020 Jul;10(3):e2020065.
19. Rudnicka L, Olszewska M, Waśkiel A, Rakowska A. Trichoscopy in Hair Shaft Disorders. Dermatol Clin. 2018 Oct;36(4):421–30.
20. Pirmez R, Tosti A. Trichoscopy Tips. Dermatol Clin. 2018 Oct;36(4):413–20.
21. Piraccini BM, Alessandrini A, Starace M. Onychoscopy: Dermoscopy of the Nails. Dermatol Clin. 2018 Oct;36(4):431–8.
22. Mhlaba JM, Pontes DS, Patterson SS, Kundu RV. Evaluation of a Skin of Color Curriculum for Dermatology Residents. J Drugs Dermatol. 2021 Jul 1;20(7):786–9.
23. US Census Bureau Applications Development and Services Division W. US Census Bureau. [Internet]. Available from: https://www.census.gov/population/projections/nation/ summary/np-t5-g.pdf. Accessed June 25, 2022.
24. Departamento Nacional de Estadística. «Demografía y Población en Colombia. Grupos étnicos». DANE. [Internet]. [cited 2022 Jun 26]. Available from: http://www.dane.gov.co/index.php/estadisticas-por-tema/demografia-y-poblacion/grupos-etnicos/informacion-tecnica
25. Central Intelligence Agency. The World FactBook. Explore all countries. Colombia [Internet]. 2022 [Internet]. Available from: Available from: https://www.cia.gov/the-world-factbook/countries/colombia/#transnational-issues
26. Taylor SC. Skin of color: Biology, structure, function, and implications for dermatologic disease. Journal of the American Academy of Dermatology. 2002 Feb;46(2):S41–62.
27. Rocha J. The Evolutionary History of Human Skin Pigmentation. J Mol Evol. 2020 Jan;88(1):77–87.
28. Gupta V, Sharma VK. Skin typing: Fitzpatrick grading and others. Clinics in Dermatology. 2019 Sep;37(5):430–6.
29. Sharma AN, Patel BC. Laser Fitzpatrick Skin Type Recommendations. In: StatPearls [Internet]. Treasure Island (FL): StatPearls Publishing; 2022 [cited 2022 Jun 30]. Available from: http://www.ncbi.nlm.nih.gov/books/NBK557626/
30. Tschandl P, Rosendahl C, Kittler H. The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions. Sci Data. 2018 Dec;5(1):180161.
31. Zalaudek I, Giacomel J, Schmid K, Bondino S, Rosendahl C, Cavicchini S, et al. Dermatoscopy of facial actinic keratosis, intraepidermal carcinoma, and invasive squamous cell carcinoma: A progression model. Journal of the American Academy of Dermatology. 2012 Apr;66(4):589–97.
32. Cameron A, Rosendahl C, Tschandl P, Riedl E, Kittler H. Dermatoscopy of pigmented Bowen’s disease. Journal of the American Academy of Dermatology. 2010 Apr;62(4):597–604.
33. Álvarez-Salafranca M, Ara M, Zaballos P. Dermatoscopia del carcinoma basocelular: revisión actualizada. Actas Dermo-Sifiliográficas. 2021 Apr;112(4):330–8.
34. Halip IA, Vâţă D, Statescu L, Salahoru P, Patraşcu AI, Temelie Olinici D, et al. Assessment of Basal Cell Carcinoma Using Dermoscopy and High Frequency Ultrasound Examination. Diagnostics. 2022 Mar 18;12(3):735.
35. Minagawa A. Dermoscopy-pathology relationship in seborrheic keratosis. J Dermatol. 2017 May;44(5):518–24.
36. Bollea-Garlatti LA, Galimberti GN, Galimberti RL. Lentigo maligno. Claves en el diagnóstico dermatoscópico. Actas Dermo-Sifiliográficas. 2016 Jul;107(6):489–97.
37. Goncharova Y, Attia EAS, Souid K, Vasilenko IV. Dermoscopic features of facial pigmented skin lesions. ISRN Dermatol. 2013;2013:546813.
38. Malladi NN, Chikhalkar S, Khopkar U, Kharkar V. A descriptive observational study on clinical and dermoscopic features of benign melanocytic neoplasms. Indian J Dermatol Venereol Leprol. 2020;86(3):251.
39. Piccolo V, Russo T, Moscarella E, Brancaccio G, Alfano R, Argenziano G. Dermatoscopy of Vascular Lesions. Dermatologic Clinics. 2018 Oct;36(4):389–95.
40. Reiter O, Mimouni I, Gdalevich M, Marghoob AA, Levi A, Hodak E, et al. The diagnostic accuracy of dermoscopy for basal cell carcinoma: A systematic review and meta-analysis. J Am Acad Dermatol. 2019 May;80(5):1380–8.
41. Williams NM, Rojas KD, Reynolds JM, Kwon D, Shum-Tien J, Jaimes N. Assessment of Diagnostic Accuracy of Dermoscopic Structures and Patterns Used in Melanoma Detection: A Systematic Review and Meta-analysis. JAMA Dermatol. 2021 Sep 1;157(9):1078–88.
42. Phillips M, Marsden H, Jaffe W, Matin RN, Wali GN, Greenhalgh J, et al. Assessment of Accuracy of an Artificial Intelligence Algorithm to Detect Melanoma in Images of Skin Lesions. JAMA Netw Open. 2019 Oct 2;2(10):e1913436.
43. Wada M, Ge Z, Gilmore SJ, Mar VJ. Use of artificial intelligence in skin cancer diagnosis and management. Med J Aust. 2020 Sep;213(6):256-259.e1.
44. Combalia M, Codella N, Rotemberg V, Carrera C, Dusza S, Gutman D, et al. Validation of artificial intelligence prediction models for skin cancer diagnosis using dermoscopy images: the 2019 International Skin Imaging Collaboration Grand Challenge. The Lancet Digital Health. 4(5):e330–9.
45. Louie P, Wilkes R. Representations of race and skin tone in medical textbook imagery. Social Science & Medicine. 2018 Apr;202:38–42.
46. Ebede T, Papier A. Disparities in dermatology educational resources. Journal of the American Academy of Dermatology. 2006 Oct;55(4):687–90.
47. Adelekun A, Onyekaba G, Lipoff JB. Skin color in dermatology textbooks: An updated evaluation and analysis. Journal of the American Academy of Dermatology. 2021 Jan;84(1):194–6.
48. Mazzeo M, Manfreda V, Diluvio L, Dattola A, Bianchi L, Campione E. Dermoscopic Analysis of 72 “Atypical” Seborrheic Keratoses. Actas Dermo-Sifiliográficas (English Edition). 2019;110(5):366–71.
49. Haggenmüller S, Maron RC, Hekler A, Utikal JS, Barata C, Barnhill RL, et al. Skin cancer classification via convolutional neural networks: systematic review of studies involving human experts. European Journal of Cancer. 2021;156:202–16.
50. Takiddin A, Schneider J, Yang Y, Abd-Alrazaq A, Househ M. Artificial Intelligence for Skin Cancer Detection: Scoping Review. J Med Internet Res. 2021;23(11):e22934.
51. Goyal M, Knackstedt T, Yan S, Hassanpour S. Artificial intelligence-based image classification methods for diagnosis of skin cancer: Challenges and opportunities. Computers in Biology and Medicine. 2020;127:104065.
52. Shetty B, Fernandes R, Rodrigues AP, Chengoden R, Bhattacharya S, Lakshmanna K. Skin lesion classification of dermoscopic images using machine learning and convolutional neural network. Sci Rep. 2022;12(1):18134.
53. Rezk E, Eltorki M, El-Dakhakhni W. Leveraging Artificial Intelligence to Improve the Diversity of Dermatological Skin Color Pathology: Protocol for an Algorithm Development and Validation Study. JMIR Res Protoc. 2022;11(3):e34896.
54. Tschandl P, Codella N, Akay BN, Argenziano G, Braun RP, Cabo H, et al. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. The Lancet Oncology. 2019;20(7):938–47.
dc.rights.local.spa.fl_str_mv Acceso cerrado
dc.rights.accessrights.none.fl_str_mv http://purl.org/coar/access_right/c_14cb
info:eu-repo/semantics/closedAccess
rights_invalid_str_mv Acceso cerrado
http://purl.org/coar/access_right/c_14cb
eu_rights_str_mv closedAccess
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.program.spa.fl_str_mv Especialización en Dermatología
dc.publisher.grantor.spa.fl_str_mv Universidad El Bosque
dc.publisher.faculty.spa.fl_str_mv Facultad de Medicina
institution Universidad El Bosque
bitstream.url.fl_str_mv https://repositorio.unbosque.edu.co/bitstreams/a432bf3f-cf3f-424c-8dc8-42e665c41817/download
https://repositorio.unbosque.edu.co/bitstreams/2e73caba-b68e-493d-a62c-347da6c30071/download
https://repositorio.unbosque.edu.co/bitstreams/00a53807-3033-486f-8992-19e5c44de146/download
https://repositorio.unbosque.edu.co/bitstreams/175d1d57-524a-4016-8a14-31d0a56f6438/download
https://repositorio.unbosque.edu.co/bitstreams/713ecedc-74aa-4d80-b453-f77624f60923/download
https://repositorio.unbosque.edu.co/bitstreams/98bb6d78-56c5-4c96-9bcb-4a503b7bf408/download
https://repositorio.unbosque.edu.co/bitstreams/1ca1c8dd-8cf3-47f4-8837-4d6d0d423049/download
bitstream.checksum.fl_str_mv e0f43175535fb0d9436d77996ddfc25a
17cc15b951e7cc6b3728a574117320f9
ee17d3033dfff6866f3d6098e9deaf0b
07aeee35c09381963eb5da601afe685b
3b6ce8e9e36c89875e8cf39962fe8920
ef9613a1fe0083421d013fd856c4e227
e3fc8af3f391b314cc64a4595b6658b7
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad El Bosque
repository.mail.fl_str_mv bibliotecas@biteca.com
_version_ 1828164673936031744
spelling Rueda Jaime , LiliToledo Arenas, Jose DanielSánchez Zapata, Maria JulianaJaramillo Arboleda, AlejandraSanchez-Zapata, Maria J. [0000-0001-5939-0347]Jaramillo Arboleda Alejandra [0000-0002-6565-8052]2025-02-14T15:39:15Z2025-02-14T15:39:15Z2024-12https://hdl.handle.net/20.500.12495/13960instname:Universidad El Bosquereponame:Repositorio Institucional Universidad El Bosquerepourl:https://repositorio.unbosque.edu.coIntroducción: La inteligencia artificial (IA) se ha utilizado cada vez más en el campo de la dermatología para la clasificación de lesiones cutáneas. Sin embargo, la mayoría de los repositorios de imágenes actuales tienen una representación muy escasa de poblaciones diversas, incluidos los fototipos de piel oscuros, lo que puede afectar la precisión de los modelos de IA. Objetivo: Este estudio tuvo como objetivo evaluar el desempeño de un algoritmo de Deep Learning entrenado con el conjunto de datos HAM10000 para detectar lesiones cutáneas malignas en una población colombiana con diversos fototipos de piel y presentaciones clínicas. Métodos: Recopilamos un conjunto de datos de 165 imágenes, las cuales fueron evaluadas utilizando un algoritmo de Deep Learning entrenado con el conjunto de datos HAM10000. Estudiamos el desempeño del algoritmo utilizando métricas como AUC-ROC, AUC-PR, precisión, especificidad, sensibilidad, VPP y VPN, asi como el uso de los valores SHAP para analizar y explicar el resultado del modelo para estimar la importancia de los superpíxeles y crear imágenes superpuestas para una posterior interpretación clínica e identificación de patrones relevantes. Conclusiones: A pesar del potencial de los algoritmos de Deep Learning para clasificar lesiones cutáneas malignas, siempre debe enfatizarse la generalización, considerando factores y características de la población objetivo, como el fototipo de piel y la distribución de enfermedades cutáneas. Los métodos de explicabilidad desempeñan un papel fundamental en la implementación del modelo, permitiendo la detección de sesgos y la interpretación de las características del mismo.NAEspecialista en DermatologíaEspecializaciónBackground: Artificial intelligence (AI) has been increasingly used in dermatology to classify skin lesions. However, most current datasets have a limited representation of diverse populations, including darker skin phototypes, which may affect the accuracy of AI models. Objective: This study aimed to assess the performance of a deep learning algorithm trained with the HAM10000 dataset in detecting malignant skin lesions in a Colombian population with diverse skin phototypes and clinical presentations. Methods: We collected a dataset of 165 images, which were evaluated using a deep learning algorithm trained with the HAM10000 dataset. We studied the algorithm's performance using metrics such as AUC-ROC, AUC-PR, accuracy, specificity, sensitivity, PPV, and NPV. Conclusions: Despite the potential of deep learning algorithms in classifying malignant skin lesions, generalizability should always be emphasized, considering factors and characteristics of the target population such as skin phototype and skin disease distribution. Explainability methods play a pivotal role in model implementation allowing for bias detection and model features interpretation.application/pdfInteligencia artificialPiel de colorCáncer de pielLesiones pigmentadasDermatoscopiaDeep learningArtifical intelligenceSkin of colorSkin cancerPigmented lesionsDermoscopyDeep learningWR 100Características operativas de una prueba diagnóstica basada en un algoritmo de inteligencia artificial entrenado con las imágenes del HAM 10000 para el diagnóstico de lesiones pigmentadas en fototipos claros y oscurosLearnings of the Assessment of a Deep Learning Algorithm Trained on the “HAM10000” Dataset for the Classification of Skin Cancer On Dermoscopic Images of Pigmented Skin Lesions from a Colombian PopulationEspecialización en DermatologíaUniversidad El BosqueFacultad de MedicinaTesis/Trabajo de grado - Monografía - Especializaciónhttps://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesishttps://purl.org/coar/version/c_ab4af688f83e57aa1. Ezenwa E, Stein JA, Krueger L. Dermoscopic features of neoplasms in skin of color: A review. Int J Womens Dermatol. 2021 Mar;7(2):145–51.2. Kittler H, Pehamberger H, Wolff K, Binder M. Diagnostic accuracy of dermoscopy. Lancet Oncol. 2002 Mar;3(3):159–65.3. Wang SQ, MarghoobAA, ScopeA. Principles of dermoscopy and dermoscopic equipment. 2nd ed. 2012. 3–9 p.4. Liu Y, Primiero CA, Kulkarni V, Soyer HP, Betz-Stablein B. Artificial Intelligence for the Classification of Pigmented Skin Lesions in Populations with Skin of Color: A Systematic Review. Dermatology. 2023;239(4):499–513.5. Buch J, Criton S. Dermoscopy Saga – A Tale of 5 Centuries. Indian J Dermatol. 2021;66(2):174–8.6. Datta SK, Shaikh MA, Srihari SN, Gao M. Soft Attention Improves Skin Cancer Classification Performance. In: Reyes M, Henriques Abreu P, Cardoso J, Hajij M, Zamzmi G, Rahul P, et al., editors. Interpretability of Machine Intelligence in Medical Image Computing, and Topological Data Analysis and Its Applications for Medical Data [Internet]. Cham: Springer International Publishing; 2021 [cited 2023 Oct 10]. p. 13–23. (Lecture Notes in Computer Science; vol. 12929). Available from: https://link.springer.com/10.1007/978-3-030-87444-5_27. Chen X, Lu Q, Chen C, Jiang G. Recent developments in dermoscopy for dermatology. J Cosmet Dermatol. 2021;20(6):1611–7.8. Sano T, Minagawa A, Suzuki R, Koga H, Okuyama R. Dermoscopy with near-ultraviolet light highlights the demarcation of melanin distribution in cutaneous melanoma. J Am Acad Dermatol. 2021 Jan;84(1):e23–4.9. Ring C, Cox N, Lee JB. Dermatoscopy. Clin Dermatol. 2021 Aug;39(4):635–42.10. Micali G, Verzì AE, Lacarrubba F. Alternative uses of dermoscopy in daily clinical practice: An update. Journal of the American Academy of Dermatology. 2018;79(6):1117-1132.e1.11. Rosendahl C, Cameron A, McColl I, Wilkinson D. Dermatoscopy in routine practice - “chaos and clues.” Aust Fam Physician. 2012 Jul;41(7):482–7.12. Ramji R, Valdes-Gonzalez G, Oakley A, Rademaker M. Dermoscopic “Chaos and Clues” in the diagnosis of melanoma in situ. Australas J Dermatol. 2018 Aug;59(3):201–5.13. Weber P, Tschandl P, Sinz C, Kittler H. Dermatoscopy of Neoplastic Skin Lesions: Recent Advances, Updates, and Revisions. Curr Treat Options Oncol. 2018 Sep 20;19(11):56.14. Dinnes J, Deeks JJ, Chuchu N, Ferrante di Ruffano L, Matin RN, Thomson DR, et al. Dermoscopy, with and without visual inspection, for diagnosing melanoma in adults. Cochrane Database of Systematic Reviews. 2018;2018(12).15. Dimitrios Sgouros, Zoe Apalla, Dimitrios Ioannides, Alexander Katoulis, Dimitrios Rigopoulos, Elena Sotiriou, et al. Dermoscopy of Common Inflammatory Disorders - ScienceDirect. 36(4):359–68.16. Verzì AE, Lacarrubba F, Dinotta F, Micali G. Dermatoscopy of Parasitic and Infectious Disorders. Dermatologic Clinics. 2018 Oct 1;36(4):349–58.17. Leung AKC, Hon KL, Leong KF, Barankin B, Lam JM. Tinea Capitis: An Updated Review. Recent Pat Inflamm Allergy Drug Discov. 2020;14(1):58–68.18. Lima Dantas M, Serrão Fensterseifer G, Henrique Martins P, Paipilla Hernandez IA, Eibs Cafrune F. Entodermoscopy in the Diagnosis of Tinea Nigra: Two Case Reports. Dermatol Pract Concept. 2020 Jul;10(3):e2020065.19. Rudnicka L, Olszewska M, Waśkiel A, Rakowska A. Trichoscopy in Hair Shaft Disorders. Dermatol Clin. 2018 Oct;36(4):421–30.20. Pirmez R, Tosti A. Trichoscopy Tips. Dermatol Clin. 2018 Oct;36(4):413–20.21. Piraccini BM, Alessandrini A, Starace M. Onychoscopy: Dermoscopy of the Nails. Dermatol Clin. 2018 Oct;36(4):431–8.22. Mhlaba JM, Pontes DS, Patterson SS, Kundu RV. Evaluation of a Skin of Color Curriculum for Dermatology Residents. J Drugs Dermatol. 2021 Jul 1;20(7):786–9.23. US Census Bureau Applications Development and Services Division W. US Census Bureau. [Internet]. Available from: https://www.census.gov/population/projections/nation/ summary/np-t5-g.pdf. Accessed June 25, 2022.24. Departamento Nacional de Estadística. «Demografía y Población en Colombia. Grupos étnicos». DANE. [Internet]. [cited 2022 Jun 26]. Available from: http://www.dane.gov.co/index.php/estadisticas-por-tema/demografia-y-poblacion/grupos-etnicos/informacion-tecnica25. Central Intelligence Agency. The World FactBook. Explore all countries. Colombia [Internet]. 2022 [Internet]. Available from: Available from: https://www.cia.gov/the-world-factbook/countries/colombia/#transnational-issues26. Taylor SC. Skin of color: Biology, structure, function, and implications for dermatologic disease. Journal of the American Academy of Dermatology. 2002 Feb;46(2):S41–62.27. Rocha J. The Evolutionary History of Human Skin Pigmentation. J Mol Evol. 2020 Jan;88(1):77–87.28. Gupta V, Sharma VK. Skin typing: Fitzpatrick grading and others. Clinics in Dermatology. 2019 Sep;37(5):430–6.29. Sharma AN, Patel BC. Laser Fitzpatrick Skin Type Recommendations. In: StatPearls [Internet]. Treasure Island (FL): StatPearls Publishing; 2022 [cited 2022 Jun 30]. Available from: http://www.ncbi.nlm.nih.gov/books/NBK557626/30. Tschandl P, Rosendahl C, Kittler H. The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions. Sci Data. 2018 Dec;5(1):180161.31. Zalaudek I, Giacomel J, Schmid K, Bondino S, Rosendahl C, Cavicchini S, et al. Dermatoscopy of facial actinic keratosis, intraepidermal carcinoma, and invasive squamous cell carcinoma: A progression model. Journal of the American Academy of Dermatology. 2012 Apr;66(4):589–97.32. Cameron A, Rosendahl C, Tschandl P, Riedl E, Kittler H. Dermatoscopy of pigmented Bowen’s disease. Journal of the American Academy of Dermatology. 2010 Apr;62(4):597–604.33. Álvarez-Salafranca M, Ara M, Zaballos P. Dermatoscopia del carcinoma basocelular: revisión actualizada. Actas Dermo-Sifiliográficas. 2021 Apr;112(4):330–8.34. Halip IA, Vâţă D, Statescu L, Salahoru P, Patraşcu AI, Temelie Olinici D, et al. Assessment of Basal Cell Carcinoma Using Dermoscopy and High Frequency Ultrasound Examination. Diagnostics. 2022 Mar 18;12(3):735.35. Minagawa A. Dermoscopy-pathology relationship in seborrheic keratosis. J Dermatol. 2017 May;44(5):518–24.36. Bollea-Garlatti LA, Galimberti GN, Galimberti RL. Lentigo maligno. Claves en el diagnóstico dermatoscópico. Actas Dermo-Sifiliográficas. 2016 Jul;107(6):489–97.37. Goncharova Y, Attia EAS, Souid K, Vasilenko IV. Dermoscopic features of facial pigmented skin lesions. ISRN Dermatol. 2013;2013:546813.38. Malladi NN, Chikhalkar S, Khopkar U, Kharkar V. A descriptive observational study on clinical and dermoscopic features of benign melanocytic neoplasms. Indian J Dermatol Venereol Leprol. 2020;86(3):251.39. Piccolo V, Russo T, Moscarella E, Brancaccio G, Alfano R, Argenziano G. Dermatoscopy of Vascular Lesions. Dermatologic Clinics. 2018 Oct;36(4):389–95.40. Reiter O, Mimouni I, Gdalevich M, Marghoob AA, Levi A, Hodak E, et al. The diagnostic accuracy of dermoscopy for basal cell carcinoma: A systematic review and meta-analysis. J Am Acad Dermatol. 2019 May;80(5):1380–8.41. Williams NM, Rojas KD, Reynolds JM, Kwon D, Shum-Tien J, Jaimes N. Assessment of Diagnostic Accuracy of Dermoscopic Structures and Patterns Used in Melanoma Detection: A Systematic Review and Meta-analysis. JAMA Dermatol. 2021 Sep 1;157(9):1078–88.42. Phillips M, Marsden H, Jaffe W, Matin RN, Wali GN, Greenhalgh J, et al. Assessment of Accuracy of an Artificial Intelligence Algorithm to Detect Melanoma in Images of Skin Lesions. JAMA Netw Open. 2019 Oct 2;2(10):e1913436.43. Wada M, Ge Z, Gilmore SJ, Mar VJ. Use of artificial intelligence in skin cancer diagnosis and management. Med J Aust. 2020 Sep;213(6):256-259.e1.44. Combalia M, Codella N, Rotemberg V, Carrera C, Dusza S, Gutman D, et al. Validation of artificial intelligence prediction models for skin cancer diagnosis using dermoscopy images: the 2019 International Skin Imaging Collaboration Grand Challenge. The Lancet Digital Health. 4(5):e330–9.45. Louie P, Wilkes R. Representations of race and skin tone in medical textbook imagery. Social Science & Medicine. 2018 Apr;202:38–42.46. Ebede T, Papier A. Disparities in dermatology educational resources. Journal of the American Academy of Dermatology. 2006 Oct;55(4):687–90.47. Adelekun A, Onyekaba G, Lipoff JB. Skin color in dermatology textbooks: An updated evaluation and analysis. Journal of the American Academy of Dermatology. 2021 Jan;84(1):194–6.48. Mazzeo M, Manfreda V, Diluvio L, Dattola A, Bianchi L, Campione E. Dermoscopic Analysis of 72 “Atypical” Seborrheic Keratoses. Actas Dermo-Sifiliográficas (English Edition). 2019;110(5):366–71.49. Haggenmüller S, Maron RC, Hekler A, Utikal JS, Barata C, Barnhill RL, et al. Skin cancer classification via convolutional neural networks: systematic review of studies involving human experts. European Journal of Cancer. 2021;156:202–16.50. Takiddin A, Schneider J, Yang Y, Abd-Alrazaq A, Househ M. Artificial Intelligence for Skin Cancer Detection: Scoping Review. J Med Internet Res. 2021;23(11):e22934.51. Goyal M, Knackstedt T, Yan S, Hassanpour S. Artificial intelligence-based image classification methods for diagnosis of skin cancer: Challenges and opportunities. Computers in Biology and Medicine. 2020;127:104065.52. Shetty B, Fernandes R, Rodrigues AP, Chengoden R, Bhattacharya S, Lakshmanna K. Skin lesion classification of dermoscopic images using machine learning and convolutional neural network. Sci Rep. 2022;12(1):18134.53. Rezk E, Eltorki M, El-Dakhakhni W. Leveraging Artificial Intelligence to Improve the Diversity of Dermatological Skin Color Pathology: Protocol for an Algorithm Development and Validation Study. JMIR Res Protoc. 2022;11(3):e34896.54. Tschandl P, Codella N, Akay BN, Argenziano G, Braun RP, Cabo H, et al. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. The Lancet Oncology. 2019;20(7):938–47.Acceso cerradohttp://purl.org/coar/access_right/c_14cbinfo:eu-repo/semantics/closedAccessspaORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf1113778https://repositorio.unbosque.edu.co/bitstreams/a432bf3f-cf3f-424c-8dc8-42e665c41817/downloade0f43175535fb0d9436d77996ddfc25aMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82000https://repositorio.unbosque.edu.co/bitstreams/2e73caba-b68e-493d-a62c-347da6c30071/download17cc15b951e7cc6b3728a574117320f9MD53Carta de autorizacion.pdfapplication/pdf364805https://repositorio.unbosque.edu.co/bitstreams/00a53807-3033-486f-8992-19e5c44de146/downloadee17d3033dfff6866f3d6098e9deaf0bMD55Anexo 1 acta de aprobacion.pdfapplication/pdf267030https://repositorio.unbosque.edu.co/bitstreams/175d1d57-524a-4016-8a14-31d0a56f6438/download07aeee35c09381963eb5da601afe685bMD56CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8899https://repositorio.unbosque.edu.co/bitstreams/713ecedc-74aa-4d80-b453-f77624f60923/download3b6ce8e9e36c89875e8cf39962fe8920MD54TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain101635https://repositorio.unbosque.edu.co/bitstreams/98bb6d78-56c5-4c96-9bcb-4a503b7bf408/downloadef9613a1fe0083421d013fd856c4e227MD57THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg3140https://repositorio.unbosque.edu.co/bitstreams/1ca1c8dd-8cf3-47f4-8837-4d6d0d423049/downloade3fc8af3f391b314cc64a4595b6658b7MD5820.500.12495/13960oai:repositorio.unbosque.edu.co:20.500.12495/139602025-02-16 03:09:00.271restrictedhttps://repositorio.unbosque.edu.coRepositorio Institucional Universidad El Bosquebibliotecas@biteca.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

Publicaciones similares