Evaluation of artificial intelligence in the classification of real images of tumoral lesions in teledermatology at the dermatology department of hospital de campdevànol

Abstract

Access to dermatological care is limited in rural areas, where specialist availability is often restricted. Because of it, teledermatology has become essential, but its sustainability may be threatened when dermatologists are unavailable or care demand is high. This has created growing interest in the use of artificial intelligence (AI) to support lesion assessment in teledermatology workflows. This study evaluated the diagnostic performance of the AI tool MODELDERM in classifying tumoral skin lesions in the Ripollès region, central Catalonia, Spain. A prospective, single-center observational study was conducted from September 2024 to April 2025. A total of 505 images were collected from primary care centers linked to the regional hospital of Campdevànol, the referral hospital for the Ripollès region. Of these, 216 lesions (42.77%) were classified as tumoral and included in the analysis. Images were anonymized and evaluated by MODELDERM, which estimated malignancy risk and suggested probable diagnoses. Agreement with dermatologist diagnoses (gold standard) was assessed using Cohen’s Kappa in IBM SPSS Statistics. The median patient age was 63 years. MODELDERM showed 96.1% concordance with dermatologists (ĸ = 0.892, p < 0.001), with a sensitivity of 92.96%, specificity of 97.76%, positive predictive value (PPV) of 95.65%, and negative predictive value (NPV) of 96.32%. Specific concordance was highest for non-melanoma skin cancer (92.06%), nevi (88.89%), and benign tumors (80.0%) (overall ĸ = 0.799, p < 0.001). Despite some limitations, MODELDERM demonstrated robust performance. With proper integration and oversight, it could become a valuable tool to support primary care teams in underserved areas

El acceso a la atención dermatológica es limitado en las zonas rurales, donde la disponibilidad de especialistas suele ser reducida. Por ello, la teledermatología se ha convertido en una herramienta esencial, pero su sostenibilidad puede verse amenazada cuando los dermatólogos no están disponibles o la demanda asistencial es muy elevada. Esto ha generado un creciente interés en el uso de la inteligencia artificial (IA) para apoyar la evaluación de lesiones en los circuitos de teledermatología. Este estudio evaluó el rendimiento diagnóstico de la herramienta de IA MODELDERM en la clasificación de lesiones cutáneas tumorales en la comarca del Ripollès, en Cataluña central, España. Se realizó un estudio observacional prospectivo, unicéntrico, entre septiembre de 2024 y abril de 2025. Se recogieron un total de 505 imágenes procedentes de centros de atención primaria vinculados al Hospital Comarcal de Campdevànol, hospital de referencia del Ripollès. De estas, 216 lesiones (42,77%) fueron clasificadas como tumorales e incluidas en el análisis. Las imágenes fueron anonimizadas y evaluadas por MODELDERM, que estimó el riesgo de malignidad y sugirió diagnósticos probables. La concordancia con los diagnósticos de los dermatólogos (gold standard) se calculó mediante el coeficiente Kappa de Cohen en IBM SPSS Statistics. La mediana de edad de los pacientes fue de 63 años. MODELDERM mostró un 96,1% de concordancia con los dermatólogos (ĸ = 0,892, p < 0,001), con una sensibilidad del 92,96%, especificidad del 97,76%, valor predictivo positivo (VPP) del 95,65% y valor predictivo negativo (VPN) del 96,32%. La concordancia específica fue más alta en el cáncer cutáneo no melanoma (92,06%), nevus (88,89%) y tumores benignos (80,0%) (concordancia global ĸ = 0,799, p < 0,001). A pesar de algunas limitaciones, MODELDERM mostró un rendimiento robusto. Con una adecuada integración y supervisión, podría convertirse en una herramienta útil para apoyar a los equipos de atención primaria en zonas con acceso limitado a dermatología

L’accés a l’atenció dermatològica és limitat en zones rurals, on la disponibilitat d’especialistes sovint és restringida. Per aquest motiu, la teledermatologia s’ha convertit en una eina essencial, però la seva sostenibilitat pot veure’s amenaçada quan no hi ha dermatòlegs disponibles o la demanda assistencial és molt elevada. Això ha generat un interès creixent en l’ús de la intel·ligència artificial (IA) per donar suport a l’avaluació de lesions en circuits de teledermatologia. Aquest estudi va avaluar el rendiment diagnòstic de l’eina d’IA MODELDERM en la classificació de lesions cutànies tumorals a la comarca del Ripollès, a Catalunya central, Espanya. Es va dur a terme un estudi observacional prospectiu, unicèntric, entre setembre de 2024 i abril de 2025. Es van recollir un total de 505 imatges procedents de centres d’atenció primària vinculats a l’Hospital Comarcal de Campdevànol, hospital de referència del Ripollès. D’aquestes, 216 lesions (42,77%) es van classificar com a tumorals i van ser incloses en l’anàlisi. Les imatges es van anonimitzar i van ser avaluades per MODELDERM, que va estimar el risc de malignitat i va suggerir diagnòstics probables. La concordança amb els diagnòstics dels dermatòlegs (gold standard) es va calcular mitjançant el Kappa de Cohen a IBM SPSS Statistics. La mediana d'edat dels pacients era de 63 anys. MODELDERM va mostrar una concordança del 96,1% amb els dermatòlegs (ĸ = 0,892, p < 0,001), amb una sensibilitat del 92,96%, especificitat del 97,76%, valor predictiu positiu (VPP) del 95,65% i valor predictiu negatiu (VPN) del 96,32%. La concordança específica més alta es va observar en càncer cutani no melanoma (92,06%), nevus (88,89%) i tumors benignes (80,0%) (concordança global ĸ = 0,799, p < 0,001). Malgrat algunes limitacions, MODELDERM va demostrar un bon rendiment general. Amb una integració i supervisió adequades, podria esdevenir una eina valuosa per donar suport als equips d’atenció primària en zones amb accés limitat a dermatologia