💻 computer science

Swin Transformer Based Multi-Label Chest Disease Classification

Este artículo presenta un estudio de evaluación comparativa exhaustivo sobre el conjunto de datos NIH ChestX-Ray14, demostrando que un marco de trabajo Swin Transformer V2-B, mejorado mediante estrategias específicas para el desequilibrio de clases y la optimización de umbrales, supera a los modelos de aprendizaje profundo de vanguardia existentes en la clasificación de enfermedades torácicas multietiqueta.

Autores originales: Abdullah Bakr, Ashraf Ullah, Abdul Jabbar

Publicado 2026-09-08

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Abdullah Bakr, Ashraf Ullah, Abdul Jabbar

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Cada día, millones de personas entran en clínicas y hospitales para una simple radiografía de tórax, un procedimiento que se ha convertido en la forma más común que tienen los médicos para mirar dentro del cuerpo humano. Estas imágenes son vitales para detectar condiciones como la neumonía, la presencia de líquido alrededor de los pulmones o un corazón agrandado, pero leerlas es una tarea exigente. Una sola imagen puede ocultar múltiples enfermedades a la vez, e incluso especialistas experimentados pueden pasar por alto signos sutiles o tener dificultades para distinguir entre condiciones que se ven casi idénticas. Si bien la inteligencia artificial ha mostrado una gran promesa para ayudar a los médicos a interpretar estos escaneos, un obstáculo importante persiste: los datos utilizados para enseñar a estas computadoras suelen estar desequilibrados. Algunas enfermedades aparecen con frecuencia en los registros médicos, mientras que otras son raras, lo que provoca que los programas informáticos estándar se conviertan en expertos en detectar los problemas comunes, pero fallen cuando se enfrentan a los poco comunes.

Un equipo de investigadores se propuso resolver este problema probando una nueva generación de inteligencia artificial contra métodos más antiguos y establecidos. Se centraron en una colección masiva de más de 112,000 radiografías de tórax de más de 30,000 pacientes, un conjunto de datos que incluye imágenes etiquetadas con hasta catorce enfermedades diferentes. El objetivo no era solo construir un único modelo, sino realizar una comparación justa y directa de seis tipos diferentes de sistemas de aprendizaje profundo. Estos sistemas variaban desde diseños tradicionales, que procesan las imágenes escaneándolas con pequeños filtros como un ojo humano moviéndose a través de una página, hasta arquitecturas más nuevas que utilizan un mecanismo llamado "atención" para mirar la imagen completa a la vez y decidir qué partes son las más importantes. Los investigadores también introdujeron una técnica de entrenamiento específica diseñada para obligar a la computadora a prestar especial atención a las enfermedades raras, asegurando que no simplemente las ignorara en favor de las comunes.

El estudio reveló que un tipo de arquitectura más nuevo, conocido como Swin Transformer, superó significamente a todos los demás métodos probados. A diferencia de los modelos más antiguos que podrían perder de vista el bosque por centrarse en los árboles, o de los modelos más nuevos que ven el panorama general pero tienen dificultades con los detalles finos, este sistema ganador combina lo mejor de ambos mundos. Divide la imagen en pequeñas ventanas y las analiza localmente, luego cambia su enfoque para conectar esas ventanas entre sí, lo que le permite ver tanto los detalles diminutos de un pequeño nódulo pulmonar como la forma amplia de un corazón agrandado simultáneamente. Al ser probado en el mismo conjunto de imágenes, este modelo logró una puntuación de precisión más alta que cualquiera de los otros cinco sistemas, incluyendo un famoso modelo de referencia que ha sido el estándar durante años. Identificó con éxito la presencia de enfermedades en todos los ámbitos, demostrando que esta forma específica de procesar la información visual es mejor adaptada a la naturaleza compleja y de múltiples capas de las radiografías de tórax.

Para asegurar que los resultados fueran confiables, los investigadores tuvieron mucho cuidado de evitar que la computadora memorizara las respuestas. Dividieron los datos de modo que las imágenes del mismo paciente nunca aparecieran tanto en el grupo de entrenamiento como en el grupo de prueba, garantizando que el sistema realmente estuviera aprendiendo a reconocer patrones de enfermedad en lugar de simplemente reconocer personas específicas. También ajustaron el proceso de toma de decisiones del sistema para cada enfermedad de forma individual, ajustando la sensibilidad para que no omitiera una condición rara solo por ser poco común. Los resultados mostraron que, si bien el nuevo modelo tardó más en entrenarse que algunos de los sistemas más simples, el tiempo adicional produjo un diagnóstico más fiable. Los investigadores también utilizaron una herramienta de visualización para mirar dentro de la "mente" del modelo, confirmando que cuando este señalaba una enfermedad, en realidad se estaba enfocando en las partes relevantes del pulmón o el corazón, en lugar de en el ruido de fondo aleatorio.

Los hallazgos sugieren que el futuro del diagnóstico médico automatizado puede residir en estos sistemas más sofisticados basados en la atención. Si bien el nuevo modelo no resolvió todos los desafíos —algunas enfermedades difíciles de detectar siguieron siendo complicadas, y las puntuaciones de precisión general, aunque fueron las mejores del estudio, dejaron margen de mejora—, demostró una clara ventaja sobre los métodos tradicionales que han dominado el campo durante años. Al demostrar que un sistema capaz de comprender tanto los detalles locales como el contexto global puede manejar mejor la realidad desordenada de las múltiples enfermedades que coexisten, este trabajo proporciona una base sólida para la construcción de herramientas que puedan, algún día, asistir a los médicos en la toma de decisiones más rápidas y precisas para los pacientes en todo el mundo.

Resumen Técnico: Clasificación de Enfermedades Torácicas Multietiqueta Basada en Swin Transformer

Planteamiento del Problema
El artículo aborda los desafíos inherentes a la clasificación automatizada de etiquetas múltiples en radiografías de tórax (CXR), centrándose específicamente en dos problemas críticos: el desequilibrio de clases y la complejidad de la predicción multietiqueta. En la práctica clínica, una sola radiografía de tórax suele presentar múltiples patologías coocurrentes (por ejemplo, cardiomegalia, derrame pleural y neumonía simultáneamente), lo que requiere que los modelos predigan múltiples etiquetas independientes en lugar de una sola clase. Además, la distribución de enfermedades en los conjuntos de datos médicos está altamente sesgada, donde los casos de "Sin Hallazgos" (No Finding) predominan y las enfermedades raras representan una pequeña fracción de los datos. Los estudios existentes suelen comparar modelos bajo condiciones de entrenamiento inconsistentes o se centran en arquitecturas únicas, lo que dificulta un benchmarking justo. El objetivo es desarrollar un marco robusto que clasifique con precisión 14 enfermedades torácicas distintas mientras mitiga los efectos del desequilibrio de datos y evita la fuga de datos (data leakage).

Metodología
El estudio presenta un marco de benchmarking exhaustivo evaluado en el conjunto de datos NIH ChestX-Ray14, que comprende 112,120 radiografías de vista frontal de 30,805 pacientes. La metodología se estructura en torno a cinco módulos principales:

Manejo de Datos y Preprocesamiento:
- División a Nivel de Paciente: Para evitar la fuga de datos, el conjunto de datos se divide a nivel de paciente (Entrenamiento: 69,219; Validación: 17,305; Prueba: 25,596), asegurando que las imágenes del mismo paciente no aparezcan tanto en el conjunto de entrenamiento como en el de prueba.
- Preprocesamiento: Las imágenes se redimensionan a dimensiones específicas de la arquitectura (por ejemplo, 224×224 para ResNet-50, 256×256 para Swin Transformer V2-B) y se normalizan utilizando estadísticas de ImageNet.
- Aumento de Datos (Augmentation):: Los datos de entrenamiento se someten a volteo horizontal aleatorio, rotación (±10°) y fluctuación de color (color jittering) para mitigar el sobreajuste.
Arquitectura del Modelo y Entrenamiento:
- Estudio Comparativo: Se evalúan seis arquitecturas de aprendizaje profundo bajo condiciones idénticas: cuatro CNN (ResNet-50, VGG-19, DenseNet-121, Inception V3) y dos modelos basados en Transformers (ViT-B/16, Swin Transformer V2-B).
- Capa de Salida: Todos los modelos se adaptan para la clasificación multietiqueta reemplazando la capa final con una cabeza sigmoide de 14 salidas.
- Función de Pérdida: Para abordar el desequilibrio de clases, se emplea la Pérdida Focal (Focal Loss, con $\alpha=1, \gamma=2$ ) en lugar de la entropía cruzada binaria estándar. Esto reduce el peso de los ejemplos fáciles y obliga al modelo a concentrarse en los casos difíciles y mal clasificados.
- Optimización: Los modelos se entrenan utilizando el optimizador AdamW, programación de tasa de aprendizaje OneCycleLR y Precisión Mixta (AMP).
Postprocesamiento y Evaluación:
- Optimización de Umbrales: Los umbrales por clase se optimizan en el conjunto de validación para maximizar la puntuación F1 de cada enfermedad de forma independiente.
- Métricas: El rendimiento se evalúa mediante AUC-ROC, F1-score, Precisión, Recall y Matrices de Confusión.
- Explicabilidad: Se aplica Grad-CAM++ al modelo Swin Transformer propuesto para generar mapas de calor, verificando que el modelo presta atención a regiones anatómicas clínicamente relevantes.

Contribuciones Clave
El artículo reclama las siguientes contribuciones específicas:

Benchmarking Riguroso: Valida seis modelos de aprendizaje profundo de última generación bajo condiciones de entrenamiento estrictamente idénticas en el conjunto de datos NIH ChestX-Ray14, proporcionando una comparación justa entre CNN y Transformers.
Superioridad del Marco Propuesto: El estudio demuestra que el Swin Transformer V2-B supera a las otras técnicas de DL de vanguardia y al baseline CheXNet cuando se evalúa bajo condiciones de un solo modelo idénticas.
Integridad de los Datos: La implementación de la división de datos a nivel de paciente asegura la eliminación de la fuga de datos, un error común en los estudios de imagen médica.
Estrategias de Optimización: La aplicación de la Pérdida Focal para el desequilibrio de clases y la optimización de umbrales por clase para los seis modelos mejora el rendimiento de la clasificación.
Explicabilidad: La integración de Grad-CAM++ con un objetivo multietiqueta personalizado proporciona evidencia visual del proceso de toma de decisiones del modelo.

Resultados
Experimentos extensos arrojan los siguientes hallazgos:

Rendimiento: El Swin Transformer V2-B logra el AUC medio más alto de 0.8495, superando a todos los demás modelos comparados. Supera al segundo mejor modelo (VGG-19, AUC 0.8341) y al baseline Transformer ViT-B/16 (AUC 0.8312).
Comparación de Arquitecturas: Las arquitecturas basadas en Transformers (promedio de AUC 0.8409) generalmente superan a las arquitecturas basadas en CNN (promedio de AUC 0.8214) en todas las métricas, lo que sugiere que los mecanismos de atención capturan mejor las dependencias espaciales de largo alcance requeridas para el análisis de enfermedades torácicas.
Rendimiento por Clase: Swin V2-B muestra un fuerte rendimiento en enfermedades visualmente distintas y bien representadas (por ejemplo, Hernia AUC 0.935, Cardiomegalia AUC 0.915), pero enfrenta desafíos con patologías visualmente sutiles como la Infiltración (AUC 0.729) y el Nódulo (AUC 0.792).
Compromiso de Eficiencia: Aunque Swin V2-B ofrece la mayor precisión, requiere el tiempo de entrenamiento más largo (5.83 horas) en comparación con ViT-B/16 (2.57 horas) y otras CNN, lo que resalta un compromiso entre el costo computacional y las ganancias de rendimiento.
Comparación con CheXNet: La implementación de DenseNet-121 del estudio logró un AUC de 0.8163, inferior al 0.8410 del CheXNet original. Los autores atribuyen esta diferencia al uso de ensambles de modelos y recursos de entrenamiento adicionales por parte de CheXNet, señalando que sus resultados de Swin V2-B se lograron en una configuración de un solo modelo y una sola ejecución.

Significancia y Reclamaciones
El artículo concluye que el Swin Transformer V2-B representa un avance significativo para la clasificación multietiqueta de enfermedades de tórax. Los autores argumentan que el mecanismo de atención de ventana desplazada jerárquica del Swin Transformer es particularmente efectivo para las imágenes médicas, ya que captura tanto detalles locales finos (por ejemplo, nódulos) como el contexto estructural más amplio (por ejemplo, cardiomegalia) de manera más efectiva que la atención global (ViT) o los filtros puramente convolucionales (CNN).

El estudio enfatiza que, si bien la Pérdida Focal y la optimización de umbrales mitigan el desequilibrio de clases, la dificultad de distinguir patologías visualmente ambiguas sigue siendo un desafío, como lo demuestran los F1-scores relativamente bajos (0.23–0.31) en todos los modelos. Los autores reclaman modestamente que su trabajo proporciona una base robusta para investigaciones futuras, demostando la superioridad de las arquitecturas Transformer en este dominio sin depender de técnicas de ensamble. Reconocen limitaciones, incluyendo la falta de validación externa en otros conjuntos de datos y la ausencia de una evaluación cuantitativa de la explicabilidad frente a anotaciones de radiólogos.

Resumen Técnico: Clasificación de Enfermedades Torácicas Multietiqueta Basada en Swin Transformer

Más como este