Investigadores del laboratorio SPILab, perteneciente al grupo Quercus de Ingeniería de Software de la Universidad de Extremadura, han desarrollado una innovadora herramienta de inteligencia artificial (IA) destinada a la detección de melanomas a partir de imágenes clínicas. Este avance se enmarca dentro de un modelo de Deep Learning que incorpora la técnica del “Aprendizaje federado”, asegurando así la protección y seguridad de los datos, un aspecto fundamental en este proyecto.
Un enfoque colaborativo para mejorar diagnósticos
Con el objetivo de optimizar la precisión diagnóstica y resguardar la privacidad, el equipo de investigación ha implementado una técnica colaborativa que ha alcanzado una notable precisión del 89,1%. Los hallazgos de esta investigación han sido publicados en la revista Scientific Reports, editada por Nature. El estudio demuestra cómo se pueden entrenar modelos de IA manteniendo los datos en sus ubicaciones originales, lo que garantiza su seguridad.
El modelo fue alimentado con imágenes extraídas del Instituto Internacional del Estudio Colaborativo de Imágenes de Piel, conocido como dataset, que incluye tanto melanomas identificados como diversas afecciones cutáneas. La identificación del melanoma se realiza mediante la importación de fotografías a un servidor especializado que evalúa la imagen y proporciona un porcentaje de fiabilidad en tiempo real. “Su tiempo de respuesta es inmediato, no más de un segundo”, comenta Sergio Laso, investigador del grupo Quercus y primer autor del estudio.
Privacidad y eficiencia en el manejo de datos
El modelo basado en aprendizaje federado representa un avance significativo en términos de privacidad al utilizar algoritmos de IA. Cada hospital entrena su propio modelo utilizando únicamente las imágenes generadas localmente, evitando así el envío o compartición de datos sensibles con servidores externos.
A través de este proceso, las imágenes generan valores matemáticos que son enviados a un servidor externo donde se consolidan todos estos valores para crear un modelo global más robusto y fiable. Esto significa que incluso si un hospital comienza sin imágenes propias, puede beneficiarse inmediatamente del modelo global ya entrenado con datos provenientes de otros centros. “Supongamos que un hospital comienza desde cero; no necesita entrenar un modelo propio, pues ya hay un modelo global entrenado con los valores aprendidos por otros hospitales”, explica el investigador.
Los resultados obtenidos a partir de modelos federados muestran mejoras respecto a los sistemas tradicionales, evidenciando que su utilidad es comparable e incluso ligeramente superior a otros enfoques más centralizados. Por esta razón, los investigadores están desarrollando una futura aplicación web destinada a facilitar el trabajo médico en el análisis y procesamiento informático relacionado con diagnósticos.
La noticia en cifras
| Cifra |
Descripción |
| 89,1% |
Precisión diagnóstica del modelo de IA para detectar melanomas |
| 1 segundo |
Tiempo de respuesta del sistema para identificar un melanoma |
| 12/02/2026 |
Fecha de publicación de los resultados en la revista Scientific Reports |
| N/A |
Número de hospitales que pueden participar en el aprendizaje federado (no especificado) |
Preguntas sobre la noticia
¿Qué es el modelo de IA desarrollado por los investigadores de la Universidad de Extremadura?
Es una herramienta de inteligencia artificial diseñada para detectar melanomas a partir de imágenes clínicas, utilizando un modelo de Deep Learning que incorpora la técnica de "Aprendizaje federado".
¿Cómo garantiza el modelo la seguridad de los datos?
El aprendizaje federado permite que cada hospital entrene su propio modelo utilizando solo las imágenes médicas generadas en sus instalaciones, sin enviar ni compartir los datos de los pacientes con servidores externos.
¿Cuál es la precisión diagnóstica alcanzada por este nuevo modelo?
El modelo ha alcanzado una precisión del 89,1% en la detección de melanomas.
¿Cómo funciona el proceso de identificación del melanoma?
El proceso consiste en importar una fotografía al servidor que identifica el melanoma e indica el porcentaje de fiabilidad, facilitando así la labor del médico en la detección temprana.
¿Qué ventajas ofrece el aprendizaje federado sobre los sistemas tradicionales?
Los modelos federados muestran mejoras en comparación con sistemas más tradicionales, siendo ligeramente más eficaces y preservando mejor la privacidad de los datos.
¿Cuál es el tiempo de respuesta del sistema para identificar melanomas?
El tiempo de respuesta es inmediato, no superior a un segundo.
¿Qué se propone para el futuro respecto a esta investigación?
Se propone desarrollar una aplicación web diseñada para apoyar a los docentes médicos en el manejo y procesamiento de información para análisis diagnósticos.
Si (
No(
