Uso de inteligencia artificial para la diferenciación entre melanoma y nevo melanocítico atípico

Resumen

ANTECEDENTES: El melanoma tiene la mayor tasa de mortalidad entre los cánceres de piel, con un incremento anual del 3-5%. Su diferenciación frente a los nevos atípicos es un reto clínico complejo en el que la inteligencia artificial (IA) puede reducir errores y biopsias innecesarias.

Objetivo: Mapear y caracterizar la bibliografía científica acerca del uso de IA en la diferenciación entre melanoma y nevos melanocíticos atípicos.

Metodología: Revisión de alcance (scoping review) siguiendo la guía PRISMA-ScR. Se buscaron artículos originales publicados entre 2015 y 2025 en PubMed, ScienceDirect y Medline. La selección de los estudios se hizo de manera independiente por revisores.

Resultados: Ocho estudios originales se publicaron en el periodo de búsqueda, efectuados en diversos países de Europa, América y Asia. Los estudios usaron, principalmente, imágenes dermatoscópicas y modelos dicotómicos y multiclase basados en técnicas de aprendizaje automático y profundo. Se reportaron amplios intervalos de desempeño diagnóstico, con sensibilidades de, incluso, el 100% y especificidades entre 62.2 y 92.2%. Las principales limitaciones incluyeron sesgo demográfico hacia poblaciones caucásicas, tamaños muestrales reducidos y variabilidad en la calidad de las imágenes.

CONCLUSIONES: La bibliografía sugiere que la IA puede apoyar la detección temprana del melanoma. Sin embargo, persisten brechas relacionadas con la diversidad étnica y la falta de estudios prospectivos en contextos clínicos reales.

PALABRAS CLAVE: Neoplasias cutáneas; melanoma; inteligencia artificial; nevo displásico; diagnóstico diferencial.

Abstract

BACKGROUND: Melanoma has the highest mortality rate among skin cancers, with an annual increase of 3-5%. Differentiating melanoma from atypical nevi remains a complex clinical challenge, in which artificial intelligence (AI) may help reduce diagnostic errors and unnecessary biopsies.

Objective: To map and characterize the scientific literature on the use of AI for differentiating melanoma from atypical melanocytic nevi.

MethodOLOGY: A scoping review was conducted in accordance with the PRISMA-ScR guidelines. Original articles published between 2015 and 2024 were searched in PubMed, ScienceDirect, and Medline. Study selection was performed independently by reviewers.

Results: Eight original studies published within the search period were included, conducted across multiple countries in Europe, America, and Asia. Most studies used dermoscopic images and applied dichotomous and multiclass models based on machine learning and deep learning techniques. Wide ranges of diagnostic performance were reported, with sensitivities of up to 100% and specificities ranging from 62.2% to 92.2%. The main limitations included demographic bias toward Caucasian populations, small sample sizes, and variability in image quality.

ConclusionS: The available literature suggests that AI may support the early detection of melanoma. However, gaps remain regarding ethnic diversity in datasets and the lack of prospective studies in real-world clinical settings.

Keywords: Skin neoplasms; Melanoma; Artificial intelligence; Dysplastic nevus syndrome; Differential diagnosis.