Lung Cancer Detection Using Deep Learning

Resumen Técnico: Detección de Cáncer de Pulmón Utilizando Aprendizaje Profundo

1. Planteamiento del Problema

El cáncer de pulmón es la segunda causa principal de muerte relacionada con el cáncer a nivel mundial, con aproximadamente 2 millones de casos y 1.5 millones de muertes en 2020. La tasa de supervivencia es baja (alrededor del 20%) debido principalmente a la detección tardía de los síntomas.
El problema central abordado en este estudio es la alta tasa de resultados falsos positivos y falsos negativos en el diagnóstico clínico actual. Estas fallas se atribuyen a:

• Falta de conocimiento o habilidades en expertos y técnicos clínicos.
• Uso de equipos obsoletos o mal mantenidos.
• La necesidad de laboratorios adecuados que a menudo no están disponibles.
  Un falso positivo puede someter a un paciente sano a quimioterapia y radioterapia innecesarias, mientras que un falso negativo permite que las células cancerosas crezcan sin tratamiento, siendo ambas situaciones fatales. El objetivo es desarrollar un sistema automatizado que mejore la precisión diagnóstica.

2. Metodología

El estudio se basa en un conjunto de datos de tomografías computarizadas (TC) de tórax obtenidas de Kaggle. La metodología compara cinco modelos de redes neuronales convolucionales (CNN):

1. Modelos Pre-entrenados (Transfer Learning): InceptionV3, MobileNetV2, VGG16 y ResNet152.
2. Modelo Propuesto (Arquitectura Personalizada): Una CNN de 16 capas diseñada específicamente para esta tarea.

Arquitectura del Modelo Propuesto:
El modelo personalizado se construye con las siguientes capas para optimizar la extracción de características y evitar el sobreajuste (overfitting):

• 5 Capas de Convolución 2D: Con función de activación ReLU para capturar jerarquías espaciales.
• 5 Capas de MaxPooling: Situadas después de cada capa convolucional para reducir la dimensionalidad y la carga computacional.
• Capa de Aplanado (Flatten): Convierte los mapas de características 2D en un vector 1D.
• 2 Capas Totalmente Conectadas (Fully Connected): Con activación ReLU.
• Capas de Dropout: Inseridas después de las capas totalmente conectadas para prevenir el sobreajuste, crucial en conjuntos de datos de tamaño mediano.
• Capa Densa Final: Con función de activación Softmax para la clasificación probabilística.

El flujo de trabajo incluye el preprocesamiento de imágenes, el entrenamiento durante 30 épocas y la evaluación mediante métricas de rendimiento estándar.

3. Contribuciones Clave y Novedad

La principal contribución del trabajo es la propuesta de una arquitectura CNN personalizada que supera a los modelos pre-entrenados en este contexto específico. Las novedades incluyen:

• Arquitectura Específica para la Tarea: A diferencia de modelos genéricos entrenados en ImageNet, este modelo está diseñado para concentrarse en patrones específicos de TC de pulmón, ofreciendo mayor precisión y eficiencia.
• Eficiencia Computacional: Es más ligero que modelos profundos como ResNet152, eliminando la complejidad innecesaria para conjuntos de datos de tamaño pequeño a mediano.
• Consistencia en el Aprendizaje: El modelo propuesto demuestra una mejora constante y consistente en la precisión tanto de entrenamiento como de prueba a medida que aumentan las épocas (hasta la época 30), mientras que otros modelos (como InceptionV3 o ResNet152) muestran fluctuaciones o disminuciones en la precisión de prueba tras cierto número de épocas.
• Interpretabilidad: Al ser una arquitectura personalizada y transparente, es más fácil de depurar y entender que las "cajas negras" de los modelos pre-empaquetados.
• Prevención de Sobreajuste: El uso estratégico de capas de dropout y una profundidad controlada mitiga el problema del sobreajuste, común en modelos grandes aplicados a datos médicos limitados.

4. Resultados

Los modelos se evaluaron utilizando las métricas: Precisión, Recall (Sensibilidad), F1-Score, RMSE y Precisión de Prueba (Test Accuracy) tras 30 épocas.

• InceptionV3: Precisión de entrenamiento 87.70%, Precisión de prueba 42.86% (Rendimiento pobre).
• MobileNetV2: Precisión de entrenamiento 96%, Precisión de prueba 61.27%.
• VGG16: Precisión de entrenamiento 97.04%, Precisión de prueba 75.22%.
• ResNet152: Precisión de entrenamiento 99.85%, Precisión de prueba 77.78% (Segundo mejor resultado, pero con inestabilidad en épocas anteriores).
• Modelo Propuesto: Precisión de entrenamiento 99.85% y Precisión de prueba 84.44%.

Hallazgos Críticos:

• El Modelo Propuesto obtuvo el mejor rendimiento global con una precisión de prueba del 84.44%.
• A diferencia de los otros modelos, la precisión del modelo propuesto aumentó de manera consistente con el incremento de las épocas, sin mostrar signos de sobreajuste severo o degradación del rendimiento en el conjunto de prueba.
• El tiempo de cómputo del modelo propuesto fue menor que el de ResNet152, ofreciendo un equilibrio superior entre velocidad y precisión.

5. Significado e Impacto

Este estudio demuestra que, para tareas específicas de diagnóstico médico como la detección de cáncer de pulmón en TC, las arquitecturas personalizadas pueden superar a los modelos pre-entrenados masivos.

• Mejora Clínica: Al aumentar la precisión y reducir los falsos positivos/negativos, el modelo tiene el potencial de salvar vidas mediante la detección temprana y evitar tratamientos innecesarios.
• Viabilidad: La ligereza del modelo lo hace adecuado para su implementación en entornos con recursos limitados o hardware menos potente.
• Futuro: Los autores señalan la necesidad de validación clínica en entornos reales y la consideración de aspectos éticos y legales (privacidad, equidad) antes de la implementación masiva. El modelo representa un paso significativo hacia la automatización fiable y interpretable en la oncología.