Tess Watt, candidata a doctora en la Escuela de Ciencias Matemáticas y Computacionales de la Universidad Heriot-Watt de Edimburgo, desarrolló un dispositivo de tamizaje de lesiones cutáneas llamado LesionIQ. El sistema corre sobre una Raspberry Pi 3 Model B con una cámara acoplada y está diseñado para clasificar imágenes de lesiones de piel directamente en el equipo. El proyecto se desarrolló con aportes de investigadores de la London South Bank University, la Edinburgh Napier University y la Foundation for Research and Technology, Hellas, en Grecia.
¿Cómo corre el modelo sin internet?
El equipo usa aprendizaje automático en el propio dispositivo, ejecutando la inferencia directamente sobre la Raspberry Pi y sin requerir una conexión de red. El modelo de clasificación y los conjuntos de datos de referencia se almacenan de forma local en la placa, lo que permite procesar las imágenes capturadas por la cámara sin enviarlas a un servidor externo. Según Watt, el aprendizaje automático puede identificar patrones visuales que no resultan evidentes para el ojo humano.
La restricción de hardware es la parte interesante del ejercicio. La Raspberry Pi 3 Model B monta un procesador Arm Cortex-A53 de cuatro núcleos a 1,2 GHz y 1 GB de RAM, sin acelerador de procesamiento neuronal dedicado, así que el modelo debe optimizarse para operar dentro de los recursos de cómputo y memoria disponibles. El enfoque prioriza la operación sin conexión y la privacidad de los datos, evitando la dependencia de la computación en la nube.
¿Qué tan preciso es en realidad?
El sistema reporta 85% de acierto en pruebas al evaluarse con el conjunto de datos del ISIC 2020 Challenge, mientras que una evaluación anterior con el conjunto HAM10000 alcanzó 78%. El trabajo de base fue publicado por Watt y sus colegas en Applied Sciences, donde demostraron el uso de una Raspberry Pi con una cámara web para ejecutar clasificación de lesiones cutáneas sin conexión a internet.
Ese resultado entrega la base de investigación para la cifra de 85% reportada por LesionIQ, pero no debe interpretarse como 85% de precisión diagnóstica clínica sobre todos los casos de cáncer de piel. El proyecto busca apoyar la detección temprana, y el enfoque basado en Raspberry Pi permite procesar las imágenes localmente en lugar de subirlas a un servicio en la nube.
Comparación con las alternativas actuales
| Enfoque | Requiere red | Dónde vive la imagen | Costo del equipo |
|---|---|---|---|
| Apps de teléfono con clasificador en la nube | Sí | Sale del dispositivo | Teléfono compatible |
| Dermatoscopio clínico profesional | No | En el equipo | Muy superior al de una placa de bajo costo |
| LesionIQ (Raspberry Pi 3 Model B) | No | Nunca sale de la placa | Placa de cómputo de bajo costo, con precio de lanzamiento de 35 dólares |
Algunas alternativas basadas en teléfonos fotografían la lesión y envían la imagen a un clasificador alojado en la nube. Esos sistemas pueden exigir un teléfono y una conexión de red, y las imágenes del paciente además pueden salir del dispositivo. Los dermatoscopios clínicos profesionales cuestan bastante más que una placa de cómputo de bajo costo, sobre todo en la gama alta del mercado clínico. LesionIQ, en cambio, procesa las imágenes localmente y no requiere teléfono ni internet, lo que cambia tanto los requisitos de hardware como el tratamiento que reciben los datos de imagen del paciente.
Un prototipo, no un producto aprobado
Se trata de un prototipo de investigación, no de un dispositivo médico aprobado. Watt está en conversaciones con el NHS de Escocia por la aprobación ética, que sigue pendiente, y espera un uso real con pacientes antes de 2030.
El proyecto también enfrenta un desafío importante de datos: Watt identifica la falta de conjuntos de datos de lesiones cutáneas suficientemente diversos para el entrenamiento como una de las limitaciones principales del sistema. Hasta que el dispositivo se pruebe en poblaciones de pacientes más amplias y pase por los procesos clínicos y regulatorios correspondientes, el 85% reportado debe tratarse como un resultado de investigación y no como evidencia de desempeño diagnóstico clínico.
Los conjuntos de datos dermatológicos públicos han tenido históricamente una representación despareja de los tonos de piel más oscuros, lo que puede afectar la confiabilidad de un modelo de IA entrenado sobre esos datos en distintas poblaciones de pacientes. El grado exacto de subrepresentación varía entre conjuntos, así que no corresponde citar un porcentaje específico sin identificar el conjunto y el estudio que lo respalda.
¿Qué relevancia tiene para Chile y la región?
El diseño de hardware calza con entornos donde la conectividad puede ser poco confiable, un escenario habitual en zonas rurales y localidades aisladas del país. Un clasificador sin conexión permitiría procesar las imágenes sin enviarlas a un servicio en la nube, lo que resuelve de paso la pregunta por dónde queda alojada una fotografía clínica.
La misma advertencia de los autores aplica con fuerza en la región: para un despliegue local haría falta entrenamiento y validación con datos representativos de la población atendida, además de la evaluación bajo el marco regulatorio de dispositivos médicos que corresponda. Una plataforma de cómputo barata y sin conexión puede hacer más portátiles los sistemas de tamizaje, pero son los datos clínicos locales representativos y la validación adecuada los que determinan si el sistema es lo bastante preciso para esos pacientes.
Para quien quiera replicar la idea, la barrera de entrada es baja: cualquier placa de la familia Raspberry Pi con cámara sirve como banco de pruebas, y los modelos posteriores a la Pi 3 Model B ofrecen más memoria y cómputo que el equipo original del proyecto.
Más información sobre el proyecto, en el anuncio de Raspberry Pi.
