A Hybrid CNN-Transformer Deep Learning Model for Differentiating Benign and Malignant Breast Tumors Using Multi-View Ultrasound Images

Resumen Técnico: Un Modelo de Aprendizaje Profundo Híbrido CNN-Transformer para la Diferenciación de Tumores Mamarios

Planteamiento del Problema
El cáncer de mama sigue siendo una de las principales neoplasias malignas a nivel mundial, lo que requiere un diagnóstico temprano y preciso. Si bien la ecografía es una herramienta de cribado fundamental y no invasiva, su precisión diagnóstica depende en gran medida de la experiencia del operador y a menudo se basa en el análisis de una sola imagen. Este enfoque no logra capturar las características multidimensionales y exhaustivas de una lesión que los clínicos sintetizan al escanear desde múltiples ángulos y planos. Además, los estudios de aprendizaje profundo existentes frecuentemente tratan las imágenes ecográficas 2D individuales como muestras independientes, alejándose de los flujos de trabajo clínicos donde el diagnóstico depende de la evidencia acumulativa de una secuencia de imágenes. Adicionalmente, los modelos secuenciales estándar como las RNN no son adecuados para los conjuntos desordenados de imágenes típicos en los exámenes ecográficos, y la partición aleatoria de datos suele provocar filtraciones de datos (data leakage), inflando artificialmente las métricas de rendimiento.

Metodología
El estudio propone un novedoso sistema de Diagnóstico Asistido por Computadora (CAD) que emula el proceso de diagnóstico multivista de un clínico utilizando una arquitectura de aprendizaje profundo híbrida.

• Estrategia de Datos: El estudio utilizó un conjunto de datos retrospectivo de dos hospitales (840 pacientes internos, 133 externos) y un conjunto de validación prospectivo (188 nuevas lesiones). Se empleó una rigurosa estrategia de partición de datos a nivel de lesión, asegurando que todas las imágenes de un mismo tumor se asignaran exclusivamente al conjunto de entrenamiento, de validación o de prueba para evitar la filtración de datos.
• Preprocesamiento: Las imágenes DICOM originales fueron recortadas para aislar las lesiones, redimensionadas a 300×300 píxeles y normalizadas. Para manejar el número variable de imágenes por lesión (2–10 imágenes), los autores implementaron una estrategia de longitud fija (máximo 10 imágenes) utilizando relleno de ceros (zero-padding) y una máscara de atención para garantizar que las imágenes ficticias de relleno no influyeran en el modelo.
• Arquitectura del Modelo:
  • Backbone (Extracción de Características Locales): Un modelo EfficientNetV2 preentrenado extrae características espaciales de cada imagen ecográfica individual de forma independiente.
  • Fusión (Integración de Características Globales): Los vectores de características extraídos se introducen en un Codificador Transformer. Crucialmente, se eliminó la codificación posicional para imponer la invariancia de permutación, tratando la entrada como un conjunto desordenado en lugar de una secuencia. Esto se alinea con la realidad clínica de que el orden de adquisición de las vistas ecográficas es arbitrario.
  • Clasificación: Un token de clasificación aprendible agrega la información de todas las vistas mediante autoatención, seguido de una cabeza de Perceptrón Multicapa (MLP) con una activación Sigmoide para predecir la probabilidad de malignidad.
• Líneas Base Comparativas: El modelo propuesto fue evaluado frente a:
  • Un clasificador de imagen única EfficientNetV2.
  • Un modelo basado solo en CNN con promedio de características globales (global average pooling o bolsa de características).
  • Un modelo CNN-RNN (LSTM) para probar las hipótesis de dependencia secuencial.
  • Arquitecturas de vanguardia: VGG-ViT, TransMed y MedFormer.

Contribuciones Clave

1. Arquitectura Híbrida Novedosa: Desarrollo de un modelo de extremo a extremo que integra EfficientNetV2 con un Transformer, diseñado específicamente para tratar las imágenes ecográficas multivista como un conjunto desordenado.
2. Rigor Metodológico: Implementación de una estricta partición de datos a nivel de lesión para eliminar la filtración de datos y asegurar una evaluación de rendimiento generalizable.
3. Alineación Clínica: El diseño del modelo (invariancia de permutación) refleja el proceso cognitivo clínico de sintetizar información de múltiples vistas sin depender de un orden de adquisición arbitrario.
4. Validación Exhaustiva: El estudio incluye pruebas internas, validación externa en diferentes fabricantes (GE y Philips) y una validación prospectiva en un nuevo conjunto de datos independiente.

Resultados

• Rendimiento: En el conjunto de prueba interno, el modelo híbrido alcanzó una Exactitud de 0.960 y un AUC de 0.9788. En el conjunto de datos externo, mantuvo un rendimiento robusto con una Exactitud de 0.940 y un AUC de 0.9730.
• Validación Prospectiva: En una prueba prospectiva de 188 nuevas lesiones, el modelo alcanzó una Exactitud de 0.952 y un AUC de 0.9801, confirmando la estabilidad en datos del mundo real separados temporalmente.
• Superioridad Comparativa: El modelo híbrico superó significativamente al baseline de imagen única (AUC 0.95/0.94) y a otras arquitecturas (VGG-ViT, TransMed, MedFormer). El estudio de ablación confirmó que el mecanismo de autoatención del Transformer superó tanto al promedio simple (CNN-Only) como al modelado secuencial (CNN-RNN), validando la hipótesis de que el modelado de conjuntos desordenados es superior para esta tarea.
• Generalización: El modelo demostró un rendimiento constante entre diferentes fabricantes de máquinas de ecografía (GE LOGIQ E9 vs. Philips EPIQ 7C), lo que indica que aprende características biológicamente relevantes en lugar de artefactos específicos del dispositivo.
• Comparación con Expertos: En una prueba a ciegas, el modelo (Exactitud 0.960, Sensibilidad 0.967) superó significativamente tanto a radiólogos novatos como experimentados (Exactitud del Experto Senior 0.849, Sensibilidad 0.869).
• Eficiencia: El modelo demostró una latencia ultra baja, con un promedio de 0.0335 segundos por paciente, lo que lo hace apto para la integración clínica en tiempo real.

Significancia y Reivindicaciones
El artículo sostiene que la combinación de CNN con Transformers produce un sistema de diagnóstico altamente preciso y robusto que se alinea con la lógica clínica. Al fusionar eficazmente la información multivista, el modelo aborda las limitaciones del análisis de una sola imagen y la dependencia del operador. Los autores afirman que su enfoque ofrece una solución computacionalmente efectiva al desafío central de la integración multivista, demostrando que una arquitectura ligera y específica para la tarea puede superar a los transformers médicos complejos y de propósito general. El estudio concluye que este sistema tiene el potencial de mejorar la fiabilidad diagnóstica, reducir los falsos negativos (malignidades omitidas) y disminuir las biopsias innecesarias al mejorar la especificidad, sirviendo como una herramienta de asistencia fiable para los clínicos.