Comparative Analysis of Deep Learning Architectures for Multi-Disease Classification of Single-Label Chest X-rays

Resumen Técnico: Análisis Comparativo de Arquitecturas de Aprendizaje Profundo para la Clasificación Multi-enfermedad de Radiografías de Tórax

1. Planteamiento del Problema
Las radiografías de tórax (CXR) son la técnica diagnóstica más utilizada para trastornos pulmonares y cardíacos debido a su bajo costo y accesibilidad. Sin embargo, el diagnóstico manual enfrenta desafíos críticos:

• Escasez de radiólogos: Especialmente en entornos con recursos limitados.
• Variabilidad interobservador: La interpretación subjetiva puede llevar a errores, fatiga y diagnósticos tardíos.
• Desbalance de datos: Los conjuntos de datos públicos suelen estar desbalanceados (exceso de casos "Normales" frente a patologías minoritarias), lo que sesga los modelos de IA hacia la clase mayoritaria.
• Falta de comparaciones rigurosas: Existe una carencia de evaluaciones sistemáticas que comparen arquitecturas modernas (CNNs clásicas, CNNs modernas y Transformadores) bajo condiciones de entrenamiento idénticas en datos multi-clase balanceados.

2. Metodología
El estudio implementó un marco experimental estandarizado para evaluar siete arquitecturas de aprendizaje profundo bajo las mismas condiciones de preprocesamiento, aumento de datos e hiperparámetros.

• Construcción del Dataset:
  • Se integraron tres repositorios públicos (NIH, Base de Datos de Radiografía de COVID-19 y Base de Datos de Tuberculosis) para crear un conjunto unificado de 5 clases: Cardiomegalia, COVID-19, Normal, Neumonía y Tuberculosis.
  • Estrategia de Balanceo: Se aplicó un undersampling aleatorio a la clase mayoritaria (Normal) y un oversampling controlado mediante aumento de datos (rotaciones, flips, ajustes de brillo/contraste) a las clases minoritarias, logrando 3,616 imágenes por clase.
  • División de Datos: Se utilizó una partición estricta a nivel de paciente (70% Entrenamiento, 10% Validación, 20% Prueba) para evitar fugas de datos y garantizar que el modelo se evaluara en pacientes no vistos.
• Arquitecturas Evaluadas:
  Se compararon siete modelos preentrenados en ImageNet:
  1. CNNs Clásicas: DenseNet121, DenseNet201, ResNet50.
  2. Arquitecturas Eficientes: MobileNetV2, EfficientNetV2-M.
  3. CNNs Modernas: ConvNeXt-Tiny.
  4. Transformadores: Vision Transformer (ViT-B/16).
• Configuración del Entrenamiento:
  • Todos los modelos adaptaron sus cabezas de clasificación para 5 clases (single-label).
  • Optimizador: Adam (LR fijo de 1e-4), 50 épocas, Early Stopping basado en AUROC de validación.
  • Métricas de evaluación: Precisión, Recall, F1-Score, AUROC y eficiencia computacional (tiempo de entrenamiento/inferencia y número de parámetros).

3. Contribuciones Clave

• Dataset Balanceado y Unificado: Creación de un conjunto de datos equilibrado de 5 clases que aborda el problema del desbalanceo común en la literatura médica.
• Evaluación Comparativa Rigurosa: Primera comparación sistemática de arquitecturas divergentes (desde CNNs ligeras hasta Transformadores) bajo un protocolo experimental idéntico, eliminando variables de confusión.
• Reformulación del Protocolo CheXNet: Adaptación del marco CheXNet (originalmente multi-etiqueta) a un problema de clasificación de etiqueta única para mejorar la interpretabilidad clínica en escenarios de diagnóstico diferencial.
• Análisis de Eficiencia vs. Rendimiento: Estudio detallado de las compensaciones (trade-offs) entre la precisión diagnóstica y los recursos computacionales, crucial para la implementación en entornos de bajos recursos.

4. Resultados Principales
Todos los modelos superaron el 90% de precisión en el conjunto de prueba, pero con diferencias significativas en eficiencia y rendimiento por clase:

• Mejor Rendimiento Global: ConvNeXt-Tiny obtuvo el mejor desempeño general con una precisión de prueba del 92.31% y un AUROC de validación del 98.64%. Esto demuestra que las arquitecturas CNN modernas, inspiradas en principios de transformadores, son superiores para tareas médicas.
• Eficiencia Computacional: MobileNetV2 destacó como la opción más eficiente. Con solo 3.5 millones de parámetros (el más ligero), logró un 90.42% de precisión y un AUROC del 94.10%. Logró el 98.3% de la precisión del mejor modelo utilizando un 87.5% menos de parámetros, siendo ideal para dispositivos móviles o entornos con recursos limitados.
• Rendimiento de Transformadores: ViT-B/16, a pesar de tener 85.8 millones de parámetros, no superó a las CNNs más pequeñas (91.87% de precisión), sugiriendo que los transformadores puros requieren conjuntos de datos más grandes o pre-entrenamiento específico para dominar en imágenes médicas.
• Desempeño por Enfermedad:
  • Alto Rendimiento: Tuberculosis y COVID-19 alcanzaron un AUROC casi perfecto (≥99.97%) debido a sus características radiográficas distintivas.
  • Desafíos: La clase "Normal" y la diferenciación entre Neumonía leve y Cardiomegalia fueron las más difíciles, con tasas de confusión del 5-7%, reflejando la ambigüedad clínica inherente incluso para radiólogos humanos.
• Interpretabilidad: El uso de Grad-CAM en ConvNeXt-Tiny mostró que el modelo se enfocaba en regiones anatómicas clínicamente relevantes (ej. lóbulos superiores para TB, silueta cardíaca para cardiomegalia), validando la toma de decisiones del modelo.

5. Significado e Impacto
Este estudio demuestra que es posible lograr una alta precisión en la clasificación multi-enfermedad de radiografías de tórax sin necesidad de recursos computacionales masivos.

• Implicaciones Clínicas: Proporciona una guía basada en evidencia para la selección de modelos según el contexto de despliegue: ConvNeXt-Tiny para entornos de alta precisión, DenseNet para un equilibrio robusto, y MobileNetV2 para aplicaciones móviles o en zonas rurales con infraestructura limitada.
• Avance en IA Médica: Cierra la brecha entre el rendimiento teórico y la viabilidad práctica, enfatizando que la elección de la arquitectura debe basarse no solo en la precisión, sino en la infraestructura disponible y las necesidades específicas del escenario de despliegue.
• Futuro: Señala la necesidad de validación externa multicéntrica y la integración de metadatos clínicos para superar las limitaciones actuales de los datos públicos y mejorar la generalización.