Programa del congreso

En los últimos años, el número de sistemas de inteligencia artificial (IA) desarrollados para la clasificación de lesiones cutáneas ha crecido de manera exponencial, impulsado en gran parte por la disponibilidad de bases de datos públicas. Sin embargo, muchos de estos modelos presentan limitaciones al desplegarse en entornos clínicos reales, donde variaciones en la calidad de los datos afectan a su capacidad de generalización. En esta investigación se propone un sistema basado en la reinterpretación de la tarea tradicional de clasificación hacia la priorización clínica: en lugar de predecir diagnósticos específicos, categorizar las lesiones en tres niveles en relación con la urgencia a la hora de recibir diagnóstico. El modelo desarrollado se basa en una ConvNeXt Tiny con un clasificador final y se implementan técnicas como focal loss y ponderación de clases para abordar el desbalance de clases. Asimismo, diversos sistemas de IA reportados en la literatura son analizados en profundidad para finalmente seleccionar y adaptar dos a la tarea de priorización en tres niveles. Aunque en sus contextos originales mostraron buen rendimiento, en el escenario clínico con datos reales propuesto, presentan una notable caída en la precisión. En contraste, el modelo propuesto alcanza mejoras significativas de entre el 13% y el 21% para el mismo escenario evaluado. Estos resultados subrayan la importancia de adaptar las herramientas de IA a tareas de triaje en contextos clínicos reales y evidencia el potencial del sistema propuesto como apoyo en la toma de decisiones por parte de los profesionales.