Nogales, AlbertoNogales Moyano, AlbertoGarrido, María C.Guitian, AlfredoRodriguez-Peralto, Jose LuisVillanueva, Carlos PradosDíaz-Prieto, DeliaGarcía-Tejedor, Álvaro J.García Tejedor, Álvaro José2025-11-112025-11-112025-08Nogales, A, Garrido, M C, Guitian, A, Rodriguez-Peralto, J L, Villanueva, C P, Díaz-Prieto, D & García-Tejedor, Á J 2025, 'A Hybrid Artificial Intelligence Framework for Melanoma Diagnosis Using Histopathological Images', Technologies, vol. 13, no. 8, 330. https://doi.org/10.3390/technologies130803302227-7080https://hdl.handle.net/10641/6287Publisher Copyright: © 2025 by the authors.El cáncer sigue siendo uno de los retos sanitarios globales más importantes debido a sus elevadas tasas de mortalidad y al conocimiento limitado de su progresión. El diagnóstico precoz es fundamental para mejorar los resultados de los pacientes, especialmente en el cáncer de piel, donde la detección temprana puede mejorar significativamente las tasas de recuperación. El análisis histopatológico es un método diagnóstico ampliamente utilizado, pero se trata de un proceso que consume mucho tiempo y depende en gran medida de la experiencia de especialistas altamente cualificados. Los avances recientes en Inteligencia Artificial han mostrado resultados prometedores en la clasificación de imágenes, poniendo de relieve su potencial como herramienta de apoyo al diagnóstico médico. En este estudio exploramos la aplicación de modelos híbridos de Inteligencia Artificial para el diagnóstico de melanoma mediante imágenes histopatológicas. El conjunto de datos utilizado constaba de 506 imágenes histopatológicas, de las cuales se seleccionaron 313 imágenes depuradas tras el control de calidad y el preprocesamiento. Proponemos un marco de dos pasos que emplea un Autoencoder para la reducción de dimensionalidad y la extracción de características de las imágenes, seguido de un algoritmo de clasificación para distinguir entre melanoma y nevus, entrenado con los vectores de características extraídos del cuello de botella del Autoencoder. Evaluamos como clasificadores las Máquinas de Vectores de Soporte, Random Forest, el Perceptrón Multicapa y K-Nearest Neighbours. Entre ellos, la combinación de Autoencoder con K-Nearest Neighbours logró el mejor rendimiento y tiempo de inferencia, alcanzando una exactitud media de aproximadamente el 97,95% en el conjunto de prueba y requiriendo 3,44 minutos por diagnóstico. Los resultados de la comparación de referencia fueron consistentes, demostrando una sólida generalización y superando a los demás modelos entre 2 y 13 puntos porcentuales. [Traducción automática al español; idioma original: inglés.]Cancer remains one of the most significant global health challenges due to its high mortality rates and the limited understanding of its progression. Early diagnosis is critical to improving patient outcomes, especially in skin cancer, where timely detection can significantly enhance recovery rates. Histopathological analysis is a widely used diagnostic method, but it is a time-consuming process that heavily depends on the expertise of highly trained specialists. Recent advances in Artificial Intelligence have shown promising results in image classification, highlighting its potential as a supportive tool for medical diagnosis. In this study, we explore the application of hybrid Artificial Intelligence models for melanoma diagnosis using histopathological images. The dataset used consisted of 506 histopathological images, from which 313 curated images were selected after quality control and preprocessing. We propose a two-step framework that employs an Autoencoder for dimensionality reduction and feature extraction of the images, followed by a classification algorithm to distinguish between melanoma and nevus, trained on the extracted feature vectors from the bottleneck of the Autoencoder. We evaluated Support Vector Machines, Random Forest, Multilayer Perceptron, and K-Nearest Neighbours as classifiers. Among these, the combinations of Autoencoder with K-Nearest Neighbours achieved the best performance and inference time, reaching an average accuracy of approximately 97.95% on the test set and requiring 3.44 min per diagnosis. The baseline comparison results were consistent, demonstrating strong generalisation and outperforming the other models by 2 to 13 percentage points.3638040enghttp://creativecommons.org/licenses/by-nc-nd/4.0/deep learningdiagnostic modelshybrid modelsmachine learningmelanomaskin cancerComputer Science (miscellaneous)SDG 3 - Good Health and Well-beingYesyesjournal articleopen access10.3390/technologies13080330https://www.scopus.com/pages/publications/105014316178https://www.scopus.com/pages/publications/105014316178#tab=citedBy