A Deep Learning–Based Framework for Lung Cancer Detection Using Medical Imaging.

El cáncer de pulmón sigue siendo la principal causa de muerte por cáncer en todo el mundo, cobrándose más vidas que los cánceres de mama, colorrectal y próstata combinados. El desafío para los médicos no es solo encontrar la enfermedad, sino detectarla lo suficientemente pronto como para marcar la diferencia. Esto a menudo requiere examinar miles de imágenes de tomografías computarizadas (TC), buscando signos diminutos y sutiles de tejido anormal que el ojo humano podría pasar por alto o malinterpretar. En años recientes, una rama de la inteligencia artificial conocida como aprendizaje profundo (deep learning) ha surgido como una herramienta poderosa para esta tarea. Estos sistemas, construidos sobre estructuras llamadas redes neuronales convolucionales, están diseñados para imitar la forma en que el cerebro procesa la información visual. Aprenden a reconocer patrones escaneando imágenes, identificando bordes y texturas, y construyendo gradualmente una comprensión compleja de cómo se ve el tejido sano frente a cómo se ve el tejido enfermo. El objetivo es crear un asistente informático que pueda ayudar a los radiólogos a tomar decisiones más rápidas y precisas, potencialmente salvando vidas al detectar la enfermedad antes de que se propague.

Un investigador de la Universidad de Coventry y la Universidad de Tribhuvan se propuso probar qué tan bien se desempeñan dos tipos diferentes de estos sistemas de inteligencia artificial cuando se les asigna la tarea de diagnosticar el cáncer de pulmón. Se centraron en una pregunta que a menudo atormenta a la tecnología médica: ¿es mejor tener un sistema que sea extremadamente preciso pero que requiera mucha potencia de cómputo, o uno que sea más rápido y ligero pero quizás ligeramente menos preciso? Para encontrar la respuesta, entrenaron dos modelos distintos utilizando una colección de 1,097 imágenes de TC. Estas imágenes fueron categorizadas en tres grupos: pulmones normales, pulmones con crecimientos benignos (no cancerosos) y pulmones con tumores malignos (cancerosos). El investigador tomó estas imágenes, ajustó su tamaño y utilizó una técnica llamada aumento de datos (data augmentation), que crea variaciones ligeras de la misma imagen mediante la rotación o el giro, para enseñar a las computadoras a reconocer la enfermedad bajo diferentes condiciones.

El primer modelo que probaron se llamó VGG16. Esta es una arquitectura profunda y compleja que actúa como un microscopio altamente detallado, despojando las capas de una imagen para encontrar características muy específicas e intrincadas. El segundo modelo, MobileNetV2, es un sistema mucho más ligero y rápido diseñado para trabajar eficientemente en dispositivos con capacidad de cómputo limitada, como teléfonos móviles o computadoras de hospitales antiguos. Cuando el investigador dejó que estos modelos aprendieran de los datos, la diferencia en su rendimiento fue drástica. El modelo VGG16 demostró ser un diagnosticador notablemente agudo. Tras el entrenamiento, identificó correctamente la condición de los pulmones en el 97.22% de los casos de prueba. Fue particularmente bueno distinguiendo entre las tres categorías, rara vez confundiendo un crecimiento benigno con un pulmón sano o pasando por alto uno canceroso. El sistema aprendió rápidamente, estabilizando su precisión en tan solo unas pocas rondas de entrenamiento, y mantuvo este alto nivel de confiabilidad durante toda la fase de prueba.

En contraste, el modelo MobileNetV2 tuvo dificultades para alcanzar el mismo nivel de precisión. Aunque procesaba las imágenes mucho más rápido y utilizaba muchos menos recursos, su precisión se estableció en un 68.33%. El investigador observó que este modelo más ligero confundía con frecuencia los crecimientos benignos con el tejido normal y sano. Parecía perderse los detalles sutiles y finos que el modelo VGG16, más profundo, podía detectar fácilmente. Los datos mostraron que, si bien MobileNetV2 era eficiente, carecía de la capacidad sofisticada de extracción de características necesaria para manejar la complejidad de distinguir entre tres condiciones médicas diferentes en una sola imagen. La confusión no fue aleatoria; el modelo etiquetaba erróneamente los casos benignos como normales con frecuencia, un tipo de error que podría ser peligroso en un entorno clínico real donde pasar por alto un problema potencial es riesgoso.

El estudio concluye que no existe un único "mejor" modelo para cada situación, sino más bien un claro compromiso entre la precisión y la velocidad. La arquitectura VGG16 demostró que, para decisiones médicas de alto riesgo donde la precisión es primordial, la inversión en potencia de cómputo adicional vale la pena. Ofrece un nivel de confiabilidad diagnóstica que lo hace adecuado para entornos hospitalarios donde el objetivo es obtener la respuesta correcta en todo momento. Por otro lado, MobileNetV2, a pesar de su menor precisión, aún mantiene valor para entornos con recursos limitados donde la velocidad y el bajo costo son las principales preocupaciones. El investigador sugiere que, si bien el modelo más ligero no está listo para reemplazar al más preciso en diagnósticos críticos, podría servir como una herramienta útil para el cribado rápido en áreas que carecen de infraestructura médica avanzada. En última instancia, el trabajo destaca que, si bien la inteligencia artificial alberga una gran promesa para la detección del cáncer de pulmón, la elección de la tecnología debe adaptarse cuidadosamente a las necesidades específicas del entorno en el que se utilizará.