01
Dependencia de métodos clínicos cuya precisión depende de la experiencia del especialista
Raíz·Escasez de datasets dermatológicos etiquetados por especialistas
§00 · Proyecto de Grado I · UNAB · 2026
Aprendizaje autosupervisadopara lesiones cutáneas en Santander
un puente entre imágenes dermatológicas
y diagnóstico asistido por IA
§01 · Introducción
Las lesiones de piel figuran entre las neoplasias de mayor incidencia, y su detección temprana condiciona la supervivencia del paciente.
La doble barrera que limita el diagnóstico oportuno
Consecuencia regional
En Santander la situación se agudiza: la disponibilidad de especialistas se reduce y las herramientas de apoyo diagnóstico no se ajustan a las condiciones del sistema de salud local.
magnitud · doble barrera · consecuencia regional→ §02 planteamiento del problema
§02 · Planteamiento
Lesiones cutáneas · una patología frecuente con diagnóstico desigual.
La Organización Mundial de la Salud reconoce el cáncer de piel entre las neoplasias más frecuentes. La detección depende del especialista, recurso desigual entre territorios.
Clasificación clínica
05 tipos priorizadosbenigna
NEV
Nevo melanocítico
benigna
SK
Queratosis seborreica
maligna
MEL
Melanoma
maligna
BCC
Carcinoma basocelular
maligna
SCC
Carcinoma escamocelular
Escalas de incidencia
Hospital → PaísTres barreras estructurales
Experto · economía · tecnología01
Dependencia del experto
62–80 %precisión
Precisión clínica varía con la experiencia del especialista.
02
Barreras económicas y de acceso
Invasivabiopsia · lenta
Biopsias costosas y lentas en entornos con recursos limitados.
03
Limitación tecnológica
Etiquetasrecurso escaso
IA supervisada exige miles de imágenes anotadas, recurso costoso aquí.
Vista de sistema
Árbol del problema · causas raíz, directas y consecuencias
clasificación · escala · barreras · cadena causal→ §03 pregunta de investigación
§03 · pregunta de investigaciónUNAB · 2026
¿Cómo diseñar un algoritmo de aprendizaje autosupervisado que apoye la detección de lesiones cutáneas en el contexto clínico de Santander?
Hipótesis · 01
El aprendizaje autosupervisado puede generar representaciones visuales transferibles a partir de imágenes dermatoscópicas, reduciendo la dependencia de grandes volúmenes de imágenes anotadas.
Delimitación del estudio
Alcance · exclusionesSupuestos del proyecto
S·01 → S·04pregunta · hipótesis · delimitación · supuestoscontinúa en §04
§04 · justificaciónscroll · revela 5 dimensiones
Fundamentación del proyecto.
Cinco dimensiones de la justificación
scroll · stackAprendizaje autosupervisado frente al enfoque supervisado
Estimación cualitativa basada en la literatura revisada.
5 dimensiones · comparación SSLcontinúa en §05
§05 · objetivos01 general · 04 específicos
Objetivos específicos · cuatro fases metodológicas
datos → SSL → evaluación → validación01
Fase 01
Preparación de datos
Verbo · analizar
Analizar conjuntos de datos de imágenes dermatológicas representativos de lesiones cutáneas relevantes para el contexto clínico del departamento de Santander.
02
Fase 02
Implementación SSL
Verbo · diseñar
Diseñar un algoritmo de clasificación de lesiones cutáneas basado en aprendizaje autosupervisado utilizando imágenes dermatológicas.
03
Fase 03
Evaluación comparativa
Verbo · evaluar
Evaluar el desempeño del algoritmo propuesto mediante métricas reportadas en la literatura científica para tareas de análisis de imágenes médicas.
04
Fase 04
Validación funcional
Verbo · implementar
Implementar un prototipo de aplicación que integre el algoritmo desarrollado para el apoyo en el análisis de imágenes dermatológicas.
general · 4 específicos · 4 fases metodológicascontinúa en §06
§06 · marco de referenciaclínico · técnico · SSL
Tres frentes teóricos sostienen el modelo.
01Fundamento clínico
02Fundamento técnico
03Self-Supervised Learning
01
Fundamento clínico
Lesiones cutáneas · método ABCDE · melanoma.
El melanoma concentra la mortalidad del cáncer de piel por su capacidad metastásica. La detección temprana es el factor pronóstico determinante.
El método ABCDE sistematiza cinco criterios visuales para diferenciar lesiones benignas de sospechosas. Cada criterio es cuantificable, lo que lo vuelve apto para análisis computacional.
Criterio · A
Asimetría
Una mitad no coincide con la otra. Las lesiones malignas pierden la simetría que conservan las benignas.
02
Fundamento técnico
Redes profundas · convolucionales y transformers.
Las redes profundas aprenden representaciones jerárquicas: las capas tempranas detectan bordes; las profundas capturan estructuras complejas. Dos familias dominan el campo: las convolucionales (ResNet) y los transformers visuales (ViT).
03
Self-Supervised Learning
Sin etiquetas · SimCLR contrastivo · DINO student–teacher.
El aprendizaje autosupervisado define una tarea pretexto a partir de las imágenes mismas, sin etiquetas externas. Las representaciones aprendidas se transfieren después a tareas posteriores con pocas etiquetas.
Chen et al. · 2020
Contrastive Learning
Genera dos vistas aumentadas de cada imagen. La pérdida acerca las vistas de la misma imagen y aleja las de imágenes distintas. Requiere batch grande para muestrear negativos.
clínico · técnico · SSLcontinúa en §07
§07 · estado del arteinternacional · nacional · vacío
Una década de avances. Una brecha local.
01
Panorama internacional
Cinco trabajos landmark · supervisado · datasets · SSL.
La clasificación con redes profundas se consolidó tras 2017. La transición al SSL responde a la escasez de etiquetas expertas.
02
Panorama nacional
Producción colombiana en SSL dermatológico · diagnóstico crítico.
Revisión en SciELO, Redalyc y repositorios institucionales: producción local limitada en SSL dermatológico.
01
Foco fuera de dermatología
La investigación nacional en deep learning médico apunta sobre todo a radiología y patología. Dermatología queda relativamente al margen.
02
Dataset local · dominio cercano
CO2-Wounds-V2 (UIS) aporta imágenes colombianas de heridas crónicas captadas con celulares. Dominio cercano a dermatología, calidad heterogénea frente al estándar dermatoscópico.
03
SSL · producción emergente
El grupo HDSP-UIS (Arguello, Sanchez) ha publicado trabajo en SSL e imagen biomédica regional, pero no constituye aún línea curricular consolidada.
03
Vacío investigativo
Lo que falta · cómo este proyecto aporta.
5 papers · 3 observaciones · 1 vacíocontinúa →
§08 · metodologíaCRISP-DM · cronograma · métricas
CRISP-DM, cuatro fases.
Cada fase del estándar CRISP-DM mapea a un objetivo específico del proyecto.
Fase 01 · OE 1
Análisis y preparación de datos
Caracterizar corpus dermatoscópicos
- Caracterización del problema clínico regional
- Revisión de literatura · estado del arte
- Selección de corpus (HAM10000, ISIC)
- Análisis preliminar de corpus
- Pipeline de preprocesamiento
Cronograma · febrero a noviembre 2026
hoy · mayoMétricas de evaluación
fase 03 · OE 3Métrica principal
AUC-ROC
Discrimina entre clases en todos los umbrales. Robusta frente a desbalance.
Balance precision/recall
F1-score
Combina precisión y exhaustividad. Relevante cuando las clases están desbalanceadas.
Desagregación clínica
Exactitud por clase
Desempeño individual por tipo de lesión: melanoma, basocelular, nevo.
FP · FN críticos
Matriz de confusión
Atención a falsos positivos por impacto clínico del diagnóstico erróneo.
4 fases · 10 meses · 4 métricascontinúa →
§09 · avances · resultados esperadosTRL 4 · validado en laboratorio
Hoja de ruta · mayo 2026
Avances medibles. Resultados proyectados.
Estado actual del proyecto, hallazgos del análisis exploratorio y horizonte tecnológico esperado en TRL 4.
Estado actual · Fase 1
5/6 actividades · 83%- Caracterización del problema clínico regional✓ done
- Revisión exhaustiva de la literatura✓ done
- Consolidación del estado del arte✓ done
- Selección de datasets (HAM10000, BCN20000, CO2Wounds-V2)✓ done
- Análisis y caracterización preliminar del EDA✓ done
- Pipeline de preprocesamiento (Actividad 5)in progress
Análisis Exploratorio · 3 datasets caracterizados
click para detalleHAM10000 · distribución de clases
7 clases · alta inequidad
Shannon H
1,63
Gini
0,64
Imágenes
10.015
nv
Nevus melanocítico
mel
Melanoma
bkl
Queratosis benigna
bcc
Carcinoma basocelular
akiec
Queratosis actínica
vasc
Lesiones vasculares
df
Dermatofibroma
La clase nv domina con 66,95%; las 6 restantes suman 33,05%. Este desbalance motiva el uso de SSL y estrategias de muestreo ponderado.
Hallazgos cruzados del EDA
Figura 1
Composición clínica por dataset
HAM10000n = 10.015
Benigna · 81.4%Maligna · 15.4%Precancerosa · 3.3%
BCN20000n = 18.946
Benigna · 46.8%Maligna · 46.8%Indeterminada · 6.4%
Figura 2
Entropía de Shannon y eficiencia distributiva
Figura 3
Curva de concentración de clases · HAM10000
Figura 4
Heterogeneidad dimensional inter-dataset
| Dataset | Resolución | Uniformidad | Captura | n |
|---|---|---|---|---|
| HAM10000 | 600 × 450 px | ✓ uniforme | Dermatoscopio clínico | 10.015 |
| BCN20000 | 1024 × 1024 px (mediana) | · heterogéneo | Dermatoscopio multicéntrico | 18.946 |
| CO2Wounds-V2 | Variable · smartphone | · heterogéneo | Cámara de teléfono en campo | 764 |
Resultados esperados · cuatro dimensiones
Técnico01
Algoritmo SSL entrenado
Modelo SSL con desempeño comparable o superior a líneas base supervisadas en escenarios de etiquetado limitado.
Comparativo02
Informe contra supervisado
Comparación bajo mismo backbone con métricas AUC-ROC, F1 y matrices de confusión por clase.
Funcional03
Prototipo de apoyo
Sistema que recibe la imagen, genera predicción y muestra explícitamente las métricas de desempeño.
Madurez04
TRL 4 validado en laboratorio
Validación en entorno controlado. TRL 5 como extensión natural si hay articulación clínica posterior.
Madurez tecnológica · TRL 4
meta · entorno laboratorio1
Principios observados
2
Concepto formulado
3
Prueba experimental
4
Validación en laboratorio
Meta
5
Validación en entorno relevante
6
Demostración entorno relevante
7
Demostración entorno operacional
8
Sistema completo cualificado
9
Sistema probado en operación
fase 1 · 3 datasets · 4 resultados · TRL 4continúa →
§10 · referenciasAPA 7 · 14 fuentes
Bibliografía consultada.
Fuentes citadas en el documento, agrupadas por dominio temático.
2023
Informe
Asociación Colombiana de Dermatología y Cirugía Dermatológica (Asocolderma) (2023).
Panorama de la dermatología en Colombia: Distribución de especialistas y acceso regional
Asocolderma, Bogotá D.C.
URL2021
Conferencia
Azizi, S., Mustafa, B., Ryan, F., Beaver, Z., Freyberg, J., Deaton, J., Loh, A., Karthikesalingam, A., Kornblith, S., Chen, T., Natarajan, V., & Norouzi, M. (2021).
Big self-supervised models advance medical image classification
Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 3478–3488
DOI · 10.1109/ICCV48922.2021.003462025
Informe
Cuenta de Alto Costo (CAC) (2025).
Situación del cáncer en la población adulta atendida en el SGSSS de Colombia 2024
Fondo Colombiano de Enfermedades de Alto Costo, Bogotá D.C.
URL2021
Conferencia
Caron, M., Touvron, H., Misra, I., Jégou, H., Mairal, J., Bojanowski, P., & Joulin, A. (2021).
Emerging properties in self-supervised vision transformers
Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 9650–9660
DOI · 10.1109/ICCV48922.2021.009512020
Artículo
Chaturvedi, S. S., Tembhurne, J. V., & Diwan, T. (2020).
A multi-class skin cancer classification using deep convolutional neural networks
Multimedia Tools and Applications, 79(39–40), 28477–28498
DOI · 10.1007/s11042-020-09388-22020
Conferencia
Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020).
A simple framework for contrastive learning of visual representations
Proceedings of the 37th International Conference on Machine Learning (ICML), PMLR 119, 1597–1607
DOI · 10.48550/arXiv.2002.057092018
Conferencia
Codella, N. C. F., Gutman, D., Celebi, M. E., Helba, B., Marchetti, M. A., Dusza, S. W., Kalloo, A., Liopyris, K., Mishra, N., Kittler, H., & Halpern, A. (2018).
Skin lesion analysis toward melanoma detection: A challenge at the 2017 International Symposium on Biomedical Imaging (ISBI), hosted by the International Skin Imaging Collaboration (ISIC)
2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI), 168–172
DOI · 10.1109/ISBI.2018.83635472021
Conferencia
Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., & Houlsby, N. (2021).
An image is worth 16x16 words: Transformers for image recognition at scale
International Conference on Learning Representations (ICLR)
DOI · 10.48550/arXiv.2010.119292017
Artículo
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017).
Dermatologist-level classification of skin cancer with deep neural networks
Nature, 542(7639), 115–118
DOI · 10.1038/nature210562016
Conferencia
He, K., Zhang, X., Ren, S., & Sun, J. (2016).
Deep residual learning for image recognition
Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778
DOI · 10.1109/CVPR.2016.902022
Artículo
Krishnan, R., Rajpurkar, P., & Topol, E. J. (2022).
Self-supervised learning in medicine and healthcare
Nature Biomedical Engineering, 6(12), 1346–1352
DOI · 10.1038/s41551-022-00914-12024
Conferencia
Sánchez, K., Hinojosa, C., Mieles, O., Zhao, C., Ghanem, B., & Arguello, H. (2024).
CO2Wounds-V2: Extended chronic wounds dataset from leprosy patients
2024 IEEE International Conference on Image Processing (ICIP), 2151–2157
DOI · 10.1109/ICIP51287.2024.106476412018
Artículo
Tschandl, P., Rosendahl, C., & Kittler, H. (2018).
The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions
Scientific Data, 5, 180161
DOI · 10.1038/sdata.2018.1612018
Artículo
Uribe, C. J., Osma, S. F., & Herrera, V. M. (2018).
Carcinoma basocelular en el Área Metropolitana de Bucaramanga, Colombia: Incidencia y características clínico-patológicas
Revista de la Asociación Colombiana de Dermatología y Cirugía Dermatológica, 26(1), 22–31
URL14 fuentes · APA 7fin del documento
◆ Sustentación · Proyecto de Grado I
Gracias por ver.
Escanea · accede al proyecto