Investigadores de la Universidad de Extremadura han desarrollado un modelo de IA para detectar melanomas mediante aprendizaje federado, mejorando la precisión diagnóstica y garantizando la privacidad de los datos.
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 basa en un modelo de Deep Learning que incorpora la técnica conocida como “Aprendizaje federado”, lo que asegura la protección y privacidad de los datos, un aspecto crucial en este tipo de proyectos.
El sistema ha logrado alcanzar una precisión diagnóstica del 89,1%. Los resultados obtenidos han sido publicados en la revista Scientific Reports, editada por Nature. Esta investigación destaca por su enfoque en el entrenamiento de modelos de IA sin comprometer la seguridad de la información, ya que los datos permanecen en sus ubicaciones originales.
Las imágenes utilizadas para entrenar el modelo provienen del Instituto Internacional del Estudio Colaborativo de Imágenes de Piel, donde se incluyen tanto melanomas confirmados como otros problemas dérmicos. El proceso consiste en importar una fotografía al servidor, que tiene la capacidad de identificar el melanoma y proporcionar un porcentaje de fiabilidad en menos de un segundo. Según Sergio Laso, investigador del grupo Quercus y primer autor del estudio, esta inmediatez es fundamental para ayudar a los médicos en su labor diagnóstica, facilitando así una detección temprana que podría salvar vidas.
La innovación del aprendizaje federado radica en que cada hospital entrena su propio modelo utilizando únicamente las imágenes generadas internamente. Esto significa que los datos sensibles de los pacientes no son enviados a servidores externos ni compartidos fuera del centro médico. En paralelo, se generan valores matemáticos que son enviados a un servidor externo donde se consolidan todos estos aprendizajes.
Este enfoque permite crear un modelo global más robusto y fiable sin necesidad de compartir datos personales. Como explica el investigador: “Si un hospital comienza desde cero, no necesita entrenar un modelo propio, ya que existe un modelo global ya entrenado con los valores aprendidos por otros hospitales”. Los resultados obtenidos con modelos federados muestran mejoras respecto a los sistemas más tradicionales, demostrando ser ligeramente más eficaces y útiles.
A raíz de estos hallazgos, los investigadores están trabajando en el desarrollo de una futura aplicación web destinada a médicos, que servirá como apoyo para el manejo y análisis diagnóstico relacionado con melanomas.
Referencia bibliográfica:
Laso, S., Herrera, J.L. & Flores-Martin, D. Medical support platform for melanoma analysis and detection based on federated learning. Sci Rep 16, 2571 (2026). https://doi.org/10.1038/s41598-025-32453-5