Presentación de una app de aprendizaje sobre cáncer de piel creada directamente por un dermatólogo
(molecheck.info)- Información sobre una app de aprendizaje sobre cáncer de piel desarrollada por un dermatólogo
- Ayuda a que los usuarios tengan la mejor experiencia en dispositivos móviles
- Se recomienda acceder al sitio web (molecheck.info) mediante escaneo de código QR
- También puede usarse en escritorio, pero usar smartphone es más adecuado
- Es posible adquirir conocimientos sobre cáncer de piel mediante quizzes de enfermedades y lesiones cutáneas
Guía de molecheck.info y optimización para entorno móvil
- molecheck.info es una web app educativa sobre cáncer de piel creada con la participación directa de un dermatólogo
- Se indica a los usuarios que escaneen el código QR con la cámara del smartphone para recibir la recomendación de usar la web app en un dispositivo móvil
- Se enfatiza que ofrece la mejor experiencia de uso en entorno móvil
- Si lo desean, los usuarios también pueden seguir usando la app en entorno de escritorio
- A través de esta app, pueden resolver quizzes sobre lesiones cutáneas y mejorar su comprensión del cáncer de piel
1 comentarios
Opinión de Hacker News
Me gusta mucho el aspecto DIY de programar con IA; si hace poco algún dermatólogo hubiera tenido una idea así, habría necesitado conseguir un socio técnico y hacer muchísimo trabajo para implementarla de verdad, así que la mayoría se habría quedado solo en idea. Y esto no es algo exclusivo de los no expertos; yo también tengo una lista de ideas de proyectos acumulada durante décadas que no había podido materializar por falta de tiempo. Ahora estoy experimentando con qué puedo hacer usando agentes de IA.
La verdad, lo único que me molesta es que se llame “vibe code”; lograr que todo el mundo programe computadoras de una forma útil es algo realmente bueno.
A mí me pasa algo parecido. Durante años tuve ideas rondándome la cabeza, pero ni siquiera lo intentaba porque estaba convencido de que “igual no iba a funcionar”. Llevo casi 20 años trabajando como desarrollador profesional, así que sí tengo la capacidad para ejecutarlas, pero sentía que sería una pérdida de tiempo. Ahora estoy avanzando a lo loco con la ayuda de la IA. El resultado es tosco, pero me parece mejor que no tener nada. Nunca se sabe qué puede despegar.
Yo también probablemente habría podido hacerlo por mi cuenta, pero me habría tomado semanas y, siendo realista, creo que no lo habría terminado.
No soy experto, pero me interesa mucho el cáncer de piel porque mi hermana tuvo melanoma. Gracias a esto subí rápido de 50% a 85% de aciertos. Como la mayoría eran casos de cáncer de piel, fue fácil aprender. Así que mi consejo es que sería mejor si hubiera un 50% de casos reales de cáncer de piel. Aunque claro, puede ser que el objetivo del aprendizaje sea centrar la atención en los casos malignos. En la práctica fue un problema mucho más difícil de lo que esperaba. Me dieron ganas de ver a un dermatólogo de verdad.
Si estuviera programando esto para el verdadero “entrenamiento” de dermatólogos, lo haría más cercano a la proporción real. Como dermatólogo, de las lesiones cutáneas que preocupan a la gente, probablemente solo 1 de cada 100 termina siendo realmente cáncer. En el dataset actual hay demasiadas fotos de cáncer, así que incluso si marcas “todo es cáncer” igual sacas buena puntuación. Pero si en la práctica terminas enviando a demasiadas personas sin cáncer al oftalmólogo, al final se vuelve una herramienta poco útil.
Buen punto. En la práctica, probablemente sería mejor que la proporción entre cáncer y lesiones benignas fuera de 50:50. Planeo reflejar eso en futuras versiones. Claro, la mayoría de las lesiones cutáneas reales son inofensivas, pero aun así creo que incluso un entrenamiento intensivo corto puede ayudar a la gente común a identificar lesiones sospechosas.
Lo pensé un poco más, y de hecho creo que al principio conviene mostrar 100% o una proporción alta de casos malignos para que la gente aprenda qué debe reconocer realmente. Después se puede ir aumentando la dificultad. Cuanto más se acerque al 50%, más la puntuación se aproxima a la probabilidad simple, así que se sentirá más difícil.
Las primeras doce eran casi todas cáncer y las siguientes doce eran mayormente no cancerosas (no sé si de verdad era aleatorio) (yo tampoco sé distinguir realmente si una lesión cutánea es cáncer o no).
Yo soy de esas personas que realmente tienen todo tipo de manchas, lunares y cosas raras en la piel, así que este proyecto me da muchísimo miedo.
Es común hacerse una revisión dermatológica corporal completa cada año. Yo la hago cada año desde hace tiempo por mi tipo de piel, y en la revisión más reciente me detectaron un carcinoma basocelular en etapa temprana.
Yo solo tengo una cosa que me parece sospechosa, pero aun así me pasé como 20 minutos googleando “dermatofibroma y carcinoma basocelular”. En mi caso parece ser un dermatofibroma, pero gracias a este proyecto me volvió a quedar claro que igual conviene revisarlo.
Excelente trabajo. Ahora sí o sí tienes que estudiar la parte estadística, y cuando lo hagas te vas a dar cuenta rápido de que esto era la parte fácil. El obstáculo mucho más difícil es cómo usar esos resultados clasificados de una manera que realmente genere un beneficio neto para la salud del paciente. En una startup hicieron un sistema de clasificación de este tipo y resolvieron bien la tecnología en sí, pero sufrieron muchísimo con cómo usarlo en la práctica sin provocar resultados negativos. Por más baja que sea la tasa de error, al final ese será el gran desafío. Tanto los false positive como los false negative tienen costos, tanto económicos como emocionales.
Es una herramienta muy útil. Me gustaría que hubiera más explicación sobre el razonamiento detrás de cada decisión, o ayuda para entender cómo encontrar la respuesta correcta en la foto. Me cuesta distinguir entre melanoma y queratosis seborreica/nevus, y todavía no termino de entenderlo. Revisé con cuidado unas 120 imágenes, pero sigo sin agarrarle la mano. Y además, la página de guía del menú no existe: https://molecheck.info/how-to-recognise-skin-cancer
Es un comentario realmente valioso. Voy a mejorar la guía para que ayude más con la identificación y también agregaré una explicación más detallada en el menú. La verdad, pensé que aparte de mí solo la usarían unos pocos de mis pacientes, y jamás imaginé que llegaría a la portada de HN.
A mí también me pasó algo parecido. Me gustaría un modo en el que el 50% del conjunto sea melanoma y el otro 50% sean “lesiones benignas marrones”.
Me pregunto si esto de verdad es un "melanoma invasivo": enlace
Según los metadatos del dataset, está marcado como tal. Claro, también podría estar mal clasificado. En casos muy raros, un lunar que a simple vista parece completamente normal en realidad puede ser maligno, por ejemplo en casos de naevoid melanoma: imágenes de naevoid melanoma en Google. Por eso el diagnóstico dermatológico es complicado, y la clasificación de imágenes con IA no es sencilla desde el punto de vista legal y de gestión de riesgo. En reuniones multidisciplinarias sobre melanoma, una o dos veces al año aparecían casos que en fotos anteriores no parecían sospechosos en absoluto. Lo que siempre les recalco a los pacientes es que, aunque un lunar no parezca cambiar por fuera, si se ve que va cambiando a lo largo de varios meses, siempre hay que revisarlo.
Sí, esto casi seguro parece una mala clasificación.
Yo también soy médico, y me gustaría escuchar más en detalle sobre la intención del proyecto y el proceso de desarrollo. La división binaria “preocupa/no preocupa” probablemente sea más importante para el clínico que da la consulta, mientras que una clasificación de opción múltiple como “BCC vs melanoma” parece más útil para la educación de estudiantes de medicina. Igual que otros comentarios, también sería interesante alinearlo con pacientes reales o con la situación en atención primaria. Claro, si salen demasiados nevos benignos, podría volverse aburrido.
Muy buena idea. Es un gran ejemplo de materializar una idea con IA. Creo que las herramientas educativas hechas por expertos son justamente de los casos más prometedores en la era de la IA. Pero también me deja un sabor un poco amargo que la IA se use de forma negativa para desplazar el valor de los creadores de internet hacia inversionistas tecnológicos, y que proyectos como este se usen en discusiones del tipo “¿por qué te opones a curar el cáncer?” para contrarrestar esas críticas.
De hecho, ya surgieron muchas startups en este tema, y aunque lograron sacar adelante la tecnología en sí, superar los desafíos médicos y éticos fue un reto muchísimo más duro.
Gracias por el comentario. Me alegra que a mucha gente le parezca útil la app. Sin duda fue algo posible gracias a programar con IA, y creo que en el futuro podrá aplicarse también a muchos otros campos no especializados.
Es un gran proyecto y muy útil para aprender, pero tengo una preocupación: la proporción de lesiones “preocupantes” frente a “no preocupantes” en la app no parece coincidir con la población real. La probabilidad de que un lunar elegido al azar sea cáncer no es tan alta como la app sugiere. Claro, eso puede ser necesario por eficiencia de aprendizaje, pero podría generar un sesgo de preocupación excesiva en la gente común. Haría falta acompañarlo con educación sobre la base rate.
Es el uso perfecto de programar con IA: crear una app de baja dificultad de implementación, concentrada en un experto de dominio. @sungam, si alguna vez haces investigación sobre modelos de IA para cáncer de piel, no dudes en contactarme (mi correo está en el perfil). Estoy creando herramientas para ayudar a investigadores clínicos a incorporar IA a sus estudios con facilidad.