Mejoran los avances para la detección de los melanomas gracias a un nuevo modelo de IA

• Investigadores del laboratorio SPILab del grupo Quercus de Ingeniería de Software de la Universidad de Extremadura diseñan una herramienta de IA para detectar melanomas a partir de imágenes clínicas
• El modelo de Deep Learning propuesto incorpora la técnica de “Aprendizaje federado” que garantiza la seguridad de los datos, pieza clave en este proyecto

12/02/2026. Para optimizar la precisión diagnóstica y promover la protección de datos, investigadores de la Universidad de Extremadura han desarrollado una técnica de aprendizaje colaborativo llamada “Aprendizaje federado” que ha alcanzado una precisión del 89,1%. Los resultados de esta investigación, publicados en la revista Scientific Reports de Nature, muestran el entrenamiento de modelos de inteligencia artificial preservando la privacidad de los datos al mantenerlos en sus ubicaciones originales, garantizando así su seguridad.

El modelo se ha entrenado mediante imágenes extraídas de bases de datos del Instituto Internacional del Estudio Colaborativo de Imágenes de Piel, dataset, que en este caso muestran tanto melanomas identificados como otros problemas de piel.

El proceso de identificación consiste en la importación de una fotografía al servidor capaz de identificar el melanoma e indicar el porcentaje de fiabilidad. De esta manera, la herramienta facilita la labor del médico en su decisión como profesional para obtener una detección temprana y salvar vidas. “Su tiempo de respuesta es inmediato, no más de un segundo”, apunta Sergio Laso, investigador del grupo Quercus y primer autor del estudio.

El modelo de aprendizaje federado mejora la privacidad de los datos cuando utilizamos algoritmos de inteligencia artificial. Así, cada hospital entrena su propio modelo de inteligencia artificial utilizando únicamente las imágenes médicas generadas en sus instalaciones. De este modo, los datos de los pacientes no se envían a servidores externos ni se comparten fuera del centro.

De manera simultánea, estas imágenes generan una serie de valores matemáticos enviados posteriormente a un servidor externo donde se reúnen todos los valores de aprendizaje. Estos modelos se unifican y se convierten en uno más globalizado y fiable, es decir, se unen todos los modelos que se generan en cada hospital sin necesidad de compartir datos, solo los valores de aprendizaje. “Supongamos que un hospital comienza desde cero, sin imágenes, no necesita entrenar un modelo propio, pues ya hay un modelo global entrenado con los valores de aprendizaje de los otros hospitales”, explica el investigador de la UEx.

Los resultados de modelos federados desarrollados muestran ciertas mejoras con respecto al sistema más tradicional, demostrando así que su utilidad es la misma y ligeramente más eficaz con respecto a otros más centralizados. Por ello, los investigadores proponen una futura aplicación web diseñada para el docente médico que funcione de apoyo en el manejo y procesamiento de la información a la hora de analizar diagnósticos.

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

Fuente: Servicio de Difusión de la Cultura Científica de la UEx