Sistema inteligente para la detección de enfermedades de la piel usando redes neuronales convolucionales

Abstract

Este proyecto describe el desarrollo de un sistema inteligente para la detección y clasificación automática de enfermedades dermatológicas mediante redes neuronales convolucionales (CNN). Se empleó la arquitectura ResNet50 con ajuste fino (fine-tuning) completo, entrenada con un conjunto de más de 15,000 imágenes dermatológicas, previamente depuradas y adaptadas al contexto epidemiológico colombiano. La metodología seguida fue CRISP-DM, abarcando desde la comprensión del problema hasta el despliegue de una aplicación web funcional. Esta plataforma permite a los usuarios cargar imágenes y recibir un diagnóstico preliminar, acompañado de un porcentaje de confianza y recomendaciones generales. El modelo alcanzó una precisión promedio ponderada del 60.95 % y un F1-score de 60.87 %, con un buen desempeño en clases comunes como acné, eczema y hongos. Sin embargo, presentó dificultades con clases menos representadas, como enfermedades de transmisión sexual y dermatitis por contacto. Se propone el uso de técnicas como aumento de datos y balanceo de clases para mejorar la precisión. Este trabajo demuestra el potencial de la inteligencia artificial como herramienta de apoyo en el diagnóstico médico, especialmente en regiones con acceso limitado a especialistas, contribuyendo así a una atención más equitativa y oportuna.

This project presents the development of an intelligent system for the automatic detection and classification of dermatological diseases using Convolutional Neural Networks (CNNs). The model is based on the ResNet50 architecture with full fine-tuning and was trained on over 15,000 curated dermatological images, adapted to the Colombian epidemiological context. The CRISP-DM methodology was applied, covering all phases from problem understanding to the deployment of a functional web application. The platform enables users to upload images and receive a preliminary diagnosis, along with a confidence percentage and general recommendations. The model achieved a weighted average accuracy of 60.95% and an F1-score of 60.87%, showing strong performance in well-represented classes such as acne, eczema, and fungal infections, but lower performance in underrepresented conditions like STDs and contact dermatitis. Future improvements include data augmentation and class balancing. This work demonstrates the potential of artificial intelligence as a clinical support tool in dermatology, particularly in underserved regions, contributing to more equitable and timely healthcare.