Guía docente de Casos de Uso: Imágenes Médicas y Exploraciones Complementarias (MD9/56/1/9)

La asignatura aborda los fundamentos del aprendizaje profundo aplicado al análisis de imágenes médicas, con especial atención a las principales arquitecturas de redes neuronales y a su adaptación a diferentes modalidades de imagen clínica, radiológica y complementaria. Se estudian las tareas esenciales de clasificación, detección y segmentación, así como su utilidad en distintos contextos asistenciales. Asimismo, se analiza el flujo completo de desarrollo de sistemas inteligentes de procesamiento de imágenes, desde la preparación y anotación de los datos hasta el entrenamiento, validación y evaluación de los modelos, incorporando aspectos relacionados con la calidad y disponibilidad de los datos, la interpretabilidad, la privacidad, la generalización y la integración clínica.

Los contenidos incluyen aplicaciones específicas de inteligencia artificial en dermatología, teledermatología, ecografía cutánea y cribado oftalmológico, entre otros, abordadas desde una perspectiva práctica, crítica y orientada a la toma de decisiones clínicas. Se trabajará con modelos de detección de objetos, como YOLO, para la identificación de lesiones cutáneas y materiales de relleno en ecografías cutáneas, y se analizará la utilidad diagnóstica de redes neuronales para el cribado automatizado de retinopatía diabética en Atención Primaria. Finalmente, se examinan las limitaciones metodológicas, éticas y regulatorias de estas tecnologías, junto con tendencias emergentes como la inteligencia artificial explicable, el aprendizaje federado y los modelos multimodales.

Los objetivos concretos de aprendizaje propuestos para esta asignatura son:

-Introducir los fundamentos del aprendizaje profundo aplicados al análisis de imágenes médicas, incluyendo las principales arquitecturas y su adaptación a distintas modalidades de imagen médica (clínica, pruebas radiológicas y pruebas complementarias).

-Identificar y diferenciar las tareas clave en análisis de imágenes médicas (clasificación, detección y segmentación), entendiendo su utilidad en el contexto clínico.

-Analizar el flujo completo de desarrollo de sistemas de aprendizaje profundo para el procesamiento inteligente de imágenes, así como sus principales retos y desafíos críticos, considerando aspectos como la disponibilidad de datos, la interpretabilidad de los modelos, la privacidad y las nuevas tendencias (multimodalidad, aprendizaje federado e inteligencia artificial explicable).

-Analizar críticamente el papel de la inteligencia artificial en dermatología, considerando sus aplicaciones en ámbitos como la teledermatología, así como sus limitaciones, implicaciones éticas y su potencial como herramienta de apoyo en la toma de decisiones clínicas.

-Aplicar modelos de detección de objetos (YOLO) al análisis de ecografías cutáneas en dos escenarios clínicos reales (identificación de lesiones de hidradenitis supurativa e identificación de materiales de relleno).

-Analizar la utilidad de herramientas de IA basadas en redes neuronales para el cribado automatizado de retinopatía diabética en Atención Primaria con validez diagnóstica.

En relación a conocimientos, competencias y habilidades a desarrollar se destacan:

C03 Conoce las implicaciones éticas y clínicas que se derivan del uso de datos y herramientas de Inteligencia Artificial en el ámbito de la Salud.

C05 Explica el papel de la representación y visualización del dato en la interpretabilidad y confianza en la Inteligencia Artificial.

C08 Analiza los riesgos, beneficios y limitaciones de seguridad en casos reales de Inteligencia Artificial en Salud.

COM02 Interpreta resultados de Inteligencia Artificial y otras fuentes para la toma de decisiones clínicas adaptadas a cada paciente.

COM08 Formula propuestas de investigación aplicada o innovación en salud con Inteligencia Artificial a partir del análisis de casos de uso.

HD08 Aplica soluciones de Inteligencia Artificial a casos reales en salud con criterios justificados de eficacia y seguridad.

El objetivo de esta asignatura es mostrar cómo la IA puede mejorar la interpretación de imágenes médicas y pruebas diagnósticas, optimizando la precisión y reduciendo tiempos de respuesta. Se analizarán aplicaciones en imágenes clínicas dermatológicas, radiología, ecografía, oftalmología y anatomía patológica, entre otras, evaluando beneficios, limitaciones de seguridad e implicaciones éticas y clínicas en casos reales. Se explicará cómo la visualización de resultados puede reforzar la confianza en el diagnóstico, capacitando al estudiante para aplicar estas soluciones con criterios de eficacia y seguridad. Sin necesidad de escribir código, se promoverá la formulación de propuestas de innovación para integrar estas herramientas en la práctica clínica y apoyar la toma de decisiones clínicas.

El programa teórico de la asignatura Casos de Uso: Imágenes Médicas y Exploraciones Complementarias comprende cuatro temas: 

Tema 1: Inteligencia artificial para el análisis de imágenes médicas.

Tema 2: Casos de uso I: imágenes de lesiones cutáneas (teledermatología).

Tema 3: Casos de uso II: imágenes ecográficas en diferentes contextos clínicos.

Tema 4: Casos de uso III: retinografías para el cribado automatizado de retinopatía diabética en Atención Primaria.

El programa de actividades prácticas de la asignatura Casos de Uso: Imágenes Médicas y Exploraciones Complementarias es el siguiente:

1.- Práctica de segmentación con U-Net de lesiones mamarias en el dataset BUSI.

2.- Práctica de predicción diagnóstica de lesiones cutáneas de imágenes clínicas dermatológicas o dermatoscópicas con el modelo ResNet50 previamente entrenado.

3.- Práctica de etiquetado de ecografías con casos de hidradenitis supurativa utilizando programas específicos para ello.

4.- Práctica de predicción de YOLOv26 sobre ecografías cutáneas en un modelo entrenado en el dataset de hidradenitis supurativa.

5.- Práctica con imágenes de retinografía con diferentes grados de retinopatía diabética en la que se valoran críticamente los resultados tras ser evaluadas por el algoritmo incorporado en RetinAI.

6.- Revisión crítica de literatura de artículos de investigación sobre la aplicación de DL al tratamiento imágenes médicas relacionadas con distintas estructuras anatómicas para cada tipo de aplicación: clasificación, segmentación y detección y el uso de diferentes dispositivos para la obtención de las imágenes.  

1.-Chen, C., Mat Isa, N. A., & Liu, X. (2025). A review of convolutional neural network based methods for medical image classification. Computers in Biology and Medicine,185, 109507.

2.-Ma, J., et al. (2024). Segment anything in medical images. Nature Commun., 15, 654.

3.-Panayides, A. S., Chen, H., Filipovic, N. et al. (2026). Position paper: Artificial intelligence in medical image analysis: Advances, clinical translation, and emerging frontiers. IEEEJournal of Biomedical and Health Informatics, 30(2), 1187–1202.

4.-Sarker IH. Deep Learning: A comprehensive overview on techniques, taxonomy, applications and research directions. SN Computer Science (2021), 2, 420.

5.-Scheetz, J., Rothschild, P., McGuinness, et al.(2021). A survey of clinicians on the use of artificial intelligence in ophthalmology, dermatology, radiology and radiation oncology. Scientific Reports, 11(1), 5193.

6.-Yao, X., Wang, X., Wang, S.-H., & Zhang, Y.-D. (2022). A comprehensive survey on convolutional neural network in medical image analysis. Multimedia Tools and Applications, 81(29), 41361-41405.

7.-Ahmed, A., Hengy, M., & Daveluy, S. (2026). Comparative evaluation of AI algorithms for dermoscopic image analysis in skin disease diagnosis: A systematic review of model accuracy and methodological heterogeneity. Archives of Dermatological Research, 318(1), 64.

8.-Majidian, M., Tejani, I., Jarmain, et al. (2022). Artificial intelligence in the evaluation of telemedicine dermatology patients. Journal of Drugs in Dermatology, 21(2), 191–194.

9.-Reshma, S. K., & Reeja, S. R. (2026). R3MV: A novel reliable system architecture for skin cancer classification using progressive heterogeneous multiblock model. Scientific Reports, 16, 40522.

10.-Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., et al. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115–118.

11.- Wortsman, X. (2024). Update on ultrasound diagnostic criteria in hidradenitis suppurativa. Journal of Ultrasound in Medicine, 43(2), 207–213.

12.- Wortsman, X., Lozano, M., Rodriguez, F. J.,  et al. (2025). AI ultrasound discrimination of cosmetic fillers. Journal of Ultrasound in Medicine, 45, 429–436.

13.- Wortsman, X., Moreno, C., Soto, R., Arellano, J., Pezo, C., & Wortsman, J. (2013). Ultrasound in-depth characterization and staging of hidradenitis suppurativa. Dermatologic Surgery, 39(12), 1835–1842.

14.-Czajkowska, J., Badura, P., Korzekwa, S., et al (2021). Deep learning-based high-frequency ultrasound skin image classification with multicriteria model evaluation. Sensors, 21(17), 5846

15.- Hernández Montilla, I., Medela, A., Mac Carthy, T., et al. (2023). Automatic International Hidradenitis Suppurativa Severity Score System (AIHS4): A novel tool to assess the severity of hidradenitis suppurativa using artificial intelligence. Skin Research and Technology, 29(2), e13357.

16.- Laverde-Saad, A., Jfri, A., García, R., et al. (2022). Discriminative deep learning-based benignity/malignancy diagnosis of dermatologic ultrasound skin lesions. Skin Research and Technology, 28, 35–39.

17.- Li Q, et al (2025). Implementation of A New, Mobile Diabetic Retinopathy Screening Model Incorporating Artificial Intelligence in Remote Western Australia. Aust J Rural Health, 33(2): e70031.

18.- Gulshan, V, et al. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA, 316(22):2402-2410

19.-Shao, A, et al. (2022). Overview of global publications on machine learning in diabetic retinopathy from 2011 to 2021. Frontiers in Endocrinology, 13, 1032144

20.-Lim, JI, et al. (2022). Artificial intelligence detection of diabetic retinopathy. Ophthalmology Science, 3(1), 100228.

1.-Dataset BUSI: github.com/AyushRoy2001/DAUNet.

2.-Video del curso “Introduction to deep learning”. Massachusetts Institute of Technology (2026): https://introtodeeplearning.com/

3.-Tschandl, P., Rosendahl, C., & Kittler, H. (2018). The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions. Scientific Data, 5, 180161.

• MD01 Clases magistrales, seminarios y exposiciones multimedia.
• MD02 Clases de ejercicios y resolución de casos prácticos, estudio de casos y discusión de trabajos y artículos.
• MD03 Supervisión de trabajos.
• MD04 Tutorías individuales y/o colectivas programadas.
• MD05 Estudio personal del estudiante.

El sistema de evaluación ordinaria se articulará en relación a los siguientes criterios, instrumentos y porcentajes de ponderación:

Instrumento y Porcentaje 

·      Asistencia y participación activa (debate-reflexión) en el desarrollo de las sesiones síncronas: 10%.

·      Realización de cuestionarios y actividades online, a través de la plataforma del Campus Virtual, en sesiones síncronas: 40 %.

·      Participación, elaboración y resolución de casos, cuestionarios, defensa y debate sobre lecturas recomendadas en sesiones asíncronas, sesiones de tutorización o realizadas online a través de las herramientas del Campus virtual: 50% 

Rúbrica de Evaluación: Nivel y Criterios 

·      Excelente (9-10) - Dominio completo de los contenidos. - Excelente capacidad crítica. - Argumentación rigurosa. - Soluciones innovadoras. - Excelente redacción y referencias. 

·      Bueno (7-8) - Comprensión sólida. - Buena aplicación práctica. - Escasas incorrecciones. - Argumentación consistente. 

·      Aceptable (5-6) - Conocimientos suficientes. - Aplicación limitada. - Argumentación básica. - Algunas deficiencias conceptuales. 

·      Insuficiente (<5) - Desconocimiento de conceptos esenciales. - Aplicación inadecuada o muy limitada. -Argumentación incoherente. - Errores relevantes.

El sistema de evaluación extraordinaria se articulará en relación a los siguientes criterios, instrumentos y porcentajes de ponderación:

Instrumento y Porcentaje 

· Prueba a través de las herramientas del Campus virtual: 50% 

·      Asistencia y participación activa (debate-reflexión) en el desarrollo de las sesiones síncronas: 10%.

·      Realización de cuestionarios y actividades online, a través de la plataforma del Campus Virtual, en sesiones síncronas: 40 %.

Rúbrica de Evaluación: Nivel y Criterios 

·      Excelente (9-10) - Dominio completo de los contenidos. - Excelente capacidad crítica. - Argumentación rigurosa. - Soluciones innovadoras. - Excelente redacción y referencias. 

·      Bueno (7-8) - Comprensión sólida. - Buena aplicación práctica. - Escasas incorrecciones. - Argumentación consistente. 

·      Aceptable (5-6) - Conocimientos suficientes. - Aplicación limitada. - Argumentación básica. - Algunas deficiencias conceptuales. 

·      Insuficiente (<5) - Desconocimiento de conceptos esenciales. - Aplicación inadecuada o muy limitada. -Argumentación incoherente. - Errores relevantes.

De conformidad con la normativa vigente de la Universidad, el estudiantado al que se le haya concedido la modalidad de evaluación única final será evaluado de la siguiente forma:

Instrumento y Porcentaje 

·      Pruebas a través de las herramientas del Campus virtual: 100% 

 Rúbrica de Evaluación: Nivel y Criterios 

·      Excelente (9-10) - Dominio completo de los contenidos. - Excelente capacidad crítica. - Argumentación rigurosa. - Uso correcto del marco jurídico. - Soluciones innovadoras. - Excelente redacción y referencias. 

·      Bueno (7-8) - Comprensión sólida. - Buena aplicación práctica. - Escasas incorrecciones. - Argumentación consistente. 

·      Aceptable (5-6) - Conocimientos suficientes. - Aplicación limitada. - Argumentación básica. - Algunas deficiencias conceptuales. 

·      Insuficiente (<5) - Desconocimiento de conceptos esenciales. - Aplicación inadecuada o muy limitada. -Argumentación incoherente. - Errores relevantes.