💻 computer science

An Efficient and Explainable CNN-Transformer Architecture for Brain Tumor MRI Classification with Deployment-Oriented Benchmarking

Este artículo propone una arquitectura híbrida de CNN-Transformer eficiente y explicable que combina un backbone ResNet50 preentrenado con un cabezal Transformer ligero para lograr un 97.40% de precisión en la clasificación de resonancias magnéticas de tumores cerebrales, manteniendo la eficiencia computacional y proporcionando explicabilidad visual de doble nivel, superando significativamente a una línea base de PCA-SVM con una sobrecarga mínima.

Autores originales: Hoc Minh Le, Van Thuong Nguyen

Publicado 2026-10-05

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hoc Minh Le, Van Thuong Nguyen

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

El cerebro humano es la estructura más compleja del universo conocido y, cuando un tumor crece en su interior, la diferencia entre la vida y la muerte a menudo depende de qué tan rápido y con qué precisión un médico pueda identificar la anomalía. Durante décadas, los radiólogos han dependido de la resonancia magnética nuclear, o RM, para mirar dentro del cráneo, utilizando las imágenes detalladas para distinguir entre el tejido sano y los crecimientos peligrosos. Sin embargo, leer estas exploraciones es una tarea lenta y exigente que requiere años de formación especializada, e incluso los expertos pueden discrepar sobre lo que están viendo. En años recientes, los científicos han recurido a la inteligencia artificial para ayudar, creando programas informáticos que pueden aprender a detectar tumores por sí mismos. Los programas más exitosos hasta ahora se han construido como ojos humanos, utilizando capas de filtros digitales para reconocer bordes y texturas, un método conocido como red neuronal convolucional. No obstante, estos programas a veces tienen dificultades para ver el panorama general, perdiendo de vista cómo un pequeño punto se relaciona con el resto del cerebro. Un tipo más nuevo de inteligencia artificial, llamado transformador, destaca en la comprensión de estas relaciones globales, pero a menudo requiere cantidades masas de datos para aprender y puede ser ineficiente. El desafío para los investigadores ha sido combinar la aguda visión local del primer tipo con la conciencia contextual amplia del segundo, creando una herramienta que no solo sea precisa, sino también lo suficientemente rápida como para ejecutarse en computadoras de hospitales estándar y lo suficientemente clara como para que un médico confíe en ella.

Dos investigadores, Hoc Minh Le y Van Thuong Nguyen, se propusieron construir precisamente este tipo de herramienta híbrida. Diseñaron un nuevo sistema que primero utiliza un modelo de visión computacional preentrenado y probado para escanear un corte de RM y extraer características locales detalladas, de forma muy similar a un especialista que examina la textura del borde de un tumor. En lugar de detenerse ahí, introdujeron esta información en un módulo transformador ligero, que actúa como un sintetizador, conectando esos detalles locales para comprender la disposición general del cerebro. Este diseño secuencial permite al sistema ver tanto el grano fino de la enfermedad como el contexto anatómico más amplio simultáneamente. Para probar su creación, utilizaron una gran colección de 7,200 imágenes de RM que contenían cuatro categorías: glioma, meningioma, tumores de la pituitaria y cerebros sanos. No se limitaron a entrenar el modelo una sola vez y esperar lo mejor; en su lugar, lo probaron rigurosamente cinco veces en diferentes subconjuntos de los datos para asegurar que los resultados fueran estables y no solo un golpe de suerte. También compararon su nuevo sistema híbrido con dos alternativas más simples: una versión estándar de su modelo sin el cerebro transformador, y un método estadístico tradicional que elimina por completo la compleja red neuronal.

Los resultados mostraron que el enfoque híbrido funcionó mejor que las versiones más simples. El nuevo sistema identificó correctamente el tipo de tumor o confirmó la ausencia de uno en un promedio del 97.40 por ciento de los casos, una cifra que fue estadísticamente superior al modelo estándar y significativamente superior al método estadístico tradicional. Los investigadores encontraron que el componente transformador era particularmente bueno para distinguir entre glioma y meningioma, dos tipos de tumores que a menudo se ven muy similares al ojo humano y a los programas informáticos más simples. Al mantener intactas las relaciones espaciales entre las diferentes partes de la imagen, el modelo híbrido pudo detectar pistas topológicas sutiles que los otros métodos pasaron por alto. Crucialmente, los investigadores no solo observaron las cifras de precisión; también midieron cuánta potencia de cómputo requería el sistema. Encontraron que añadir la cabeza del transformador aumentaba el tamaño y el uso de energía del sistema solo por un margen pequeño, aproximadamente un 11.5 por ciento más que el modelo estándar por sí solo. Esto significa que el sistema sigue siendo lo suficientemente rápido como para procesar una imagen en menos de un segundo, lo que lo hace viable para su uso en clínicas del mundo real que pueden no tener supercomputadoras.

Quizás la contribución más significativa de este trabajo no es solo la precisión, sino la transparencia. En la IA médica, una "caja negra" que da una respuesta sin explicar el porqué es a menudo inútil para un médico que necesita verificar el diagnóstico. Los investigadores integraron un sistema de explicación de doble nivel en su modelo. Una parte resalta las áreas específicas de la RM en las que se centró el extractor de características locales, mientras que la otra parte muestra cómo el transformador global conectó esas áreas para llegar a una conclusión. Cuando visualizaron estas explicaciones, vieron que para los casos claros, ambas partes del sistema coincidían en la ubicación del tumor. Para los casos más difíciles, las dos partes a veces miraban aspectos diferentes de la imagen, proporcionando al médico múltiples perspectivas para considerar en lugar de una opinión única y potencialmente sesgada. Esta visión dual ayuda a generar confianza, permitiendo que un radiólogo vea exactamente lo que la computadora está viendo.

El estudio también analizó cuidadosamente las limitaciones de sus datos. Las imágenes que utilizaron procedían de una colección pública donde no se preservó la identidad de los pacientes. Esto significa que es posible que múltiples cortes de una misma persona terminaran tanto en el grupo de entrenamiento como en el de prueba, lo que podría inflar artificialmente las cifras de rendimiento. Los investigadores fueron honestos sobre este riesgo, señalando que sus resultados representan el mejor escenario posible de cómo podría funcionar el sistema con pacientes realmente desconocidos. También reconocieron que su modelo observa cortes bidimensionales individuales en lugar de volúmenes tridimensionales completos, que es como un radiólogo suele ver el cerebro. A pesar de estas restricciones, el trabajo demuestra que una arquitectura híbrida cuidadosamente diseñada puede ofrecer un equilibrio práctico entre alta precisión, eficiencia computacional e interpretabilidad. Al demostrar que una adición relativamente pequeña a un modelo estándar puede generar mejoras significativas sin exigir hardware costoso, los investigadores han proporcionado un plano para construir herramientas de IA que no solo sean inteligentes, sino también listas para las realidades del despliegue clínico.

Resumen Técnico: Una Arquitectura CNN-Transformer Eficiente y Explicable para la Clasificación de Resonancias Magnéticas de Tumores Cerebrales

Planteamiento del Problema
La clasificación automatizada de tumores cerebrales a partir de imágenes de resonancia magnética (RM) es crítica para la planificación del tratamiento, pero enfrenta desafíos al intentar equilibrar el análisis de texturas locales con el contexto anatómico global. Mientras que las Redes Neuronales Convolucionales (CNN) sobresalen en la captura de características locales como los bordes de los tumores y las microtexturas, poseen un campo receptivo limitado que dificulta el modelado de dependencias de largo alcance. Por el contrario, los Vision Transformers (ViT) modelan eficazmente el contexto global mediante la autoatención, pero carecen de sesgos inductivos espaciales, lo que a menudo requiere grandes conjuntos de datos para evitar el sobreajuste en colecciones de imágenes médicas de tamaño medio. Los enfoques híbridos existentes sufren frecuentemente de una evaluación insuficiente frente a bases de comparación clásicas, una falta de reporte de eficiencia computacional, una explicabilidad visual incompleta y protocolos de evaluación que conllevan riesgos de fuga de datos a nivel de paciente.

Metodología
El artículo propone una arquitectura híbrida secuencial que integra una columna vertebral (backbone) ResNet50 preentrenada con una cabeza de Codificador Transformer ligera.

Arquitectura: El modelo utiliza una ResNet50 (preentrenada en ImageNet) como extractor de características locales. La última capa convolucional produce un mapa de características de $7 \times 7 \times 2048$ , el cual es remodelado en 49 tokens visuales. Estos tokens se proyectan linealmente a una dimensión de incrustación (embedding) de 512, aumentados con un token de clasificación aprendible ( $[CLS]$ ) y embebidos posicionales. La secuencia es procesada por un Codificador Transformer de 4 capas con 8 cabezales de atención. El token $[CLS]$ final se pasa a través de una cabeza de clasificación para la predicción de cuatro clases (glioma, meningioma, tumor de la pituitaria, sin tumor).
Estrategia de Entrenamiento: Se emplea un enfoque de aprendizaje por transferencia de dos etapas. Primero, la columna vertebral ResNet50 se congela mientras la cabeza Transformer se entrena durante 15 épocas. Segundo, el último bloque residual (capa4) de la columna vertebral se descongela, y todo el modelo se ajusta (fine-tuning) durante 35 épocas adicionales utilizando una tasa de aprendizaje más baja con recocido de coseno (cosine annealing).
Líneas Base y Ablación: El estudio compara el modelo propuesto contra:
1. Una línea base de solo CNN (ResNet50 con Agrupación Global Promedio y una capa totalmente conectada).
2. Una ablatión PCA-SVM donde las características de la misma columna vertebral ResNet50 son agrupadas globalmente, reducidas mediante Análisis de Componentes Principales (PCA) y clasificadas por un Máquina de Vectores de Soporte (SVM) de Función de Base Radial (RBF).
Protocolo de Evaluación: Los experimentos se realizan en el conjunto de datos Masoud Nickparvar (7,200 imágenes, 1,800 por clase). El estudio emplea validación cruzada de 5 pliegues estratificada para mitigar el sesgo de partición de datos. La significancia estadística se evalúa mediante pruebas t de muestras pareadas y pruebas de McNemar.
Explicabilidad: Se implementa un flujo de explicabilidad visual de doble nivel, combinando Grad-CAM para la rama de la CNN (atribución de características locales) y Atención Rollout para la rama del Transformer (atribución de contexto global).
Benchmarking de Eficiencia: Las métricas computacionales (parámetros, FLOPs, latencia de inferencia y memoria máxima de GPU) se miden en una GPU NVIDIA T4.

Contribuciones Clave

Arquitectura Híbrida Secuencial Novedosa: Un marco unificado que reemplaza la cabecera estándar de fully-connected por un Codificador Transformer para modelar conjuntamente los detalles de la lesión local de grano fino y el contexto anatómico global sin módulos complejos de fusión de atención cruzada.
Evaluación Rigurosa: Implementación de validación cruzada de 5 pliegues estratificada con pruebas de significancia estadística (prueba t pareada, prueba de McNemar) y una discusión explícita de los riesgos de fuga de datos a nivel de paciente inherentes al conjunto de datos.
Ablación Estructural: Una comparación sistemática contra una línea base PCA-SVM construida con las mismas características de la CNN para aislar la contribución específica del mecanismo de autoatención frente a la clasificación no lineal clásica.
Benchmarking Orientado al Despliegue: Reporte exhaustivo de costos computacionales (parámetros, FLOPs, latencia, memoria) para evaluar la idoneidad en entornos clínicos con recursos limitados.
Explicabilidad de Doble Nivel: Integración de visualizaciones basadas en gradientes (Grad-CAM) y basadas en atención (Attention Rollout) para proporcionar una justificación transparente de las predicciones diagnósticas.

Resultados

Precisión (Accuracy): El modelo híbrido CNN-Transformer logró una precisión media de validación cruzada del 97.40% ± 0.24%. Esto superó significativamente a la línea base de solo CNN (96.71% ± 0.39%, $p=0.0122$ ) y a la línea base PCA-SVM (94.56% ± 0.33%, $p=2.42 \times 10^{-5}$ ).
Análisis de Confusión: El modelo híbrico redujo los errores de clasificación entre clases visualmente similares (glioma y meningioma) en comparación con las líneas base, logrando 37 errores totales en un pliegue representativo mantenido fuera frente a 46 para la de solo CNN y 83 para PCA-SVM.
Eficiencia: La adición de la cabecera Transformer incurrió en una sobrecarga modesta de 13.68M de parámetros (total 37.20M) y 0.95 GFLOPs (total 9.21 GFLOPs), lo que representa un aumento del 11.5% sobre la columna vertebral de la CNN. La latencia de inferencia aumentó solo 1.23 ms (a 8.22 ms por imagen), con el uso de memoria máxima manteniéndose idéntico a la columna vertebral de solo la CNN (1214.8 MB).
Calibración: El modelo propuesto demostró una mejor calibración (Error de Calibración Esperado de 0.0182) en comparación con la línea base de solo CNN (0.0345).
Explicabilidad: Las visualizaciones mostraron una fuerte convergencia entre los mapas de calor locales y globales para lesiones focales (glioma) y divergencias informativas para casos complejos (tumores de la pituitaria), validando la utilidad del enfoque dual-XAI.

Significancia y Reivindicaciones
El artículo posiciona el marco propuesto no meramente como una búsqueda de récords de precisión de estado del arte (reconociendo que algunos trabajos previos reportan precisiones brutas más altas), sino como una solución robusta, interpretable y desplegable en la práctica. Su significancia radica en la operacionalización de la comparación justa y la responsabilidad clínica:

Transparencia: Al abordar explícitamente los riesgos de fuga de datos a nivel de paciente y proporcionar explicabilidad de doble nivel, el estudio ofrece una evaluación más confiable que trabajos previos que dependen de divisiones únicas de entrenamiento/prueba o carecen de interpretabilidad.
Eficiencia: El estudio cuantifica la relación entre precisión y eficiencia, demostrando que se pueden lograr ganancias significativas de rendimiento con una sobrecarga computacional mínima, lo que hace que el modelo sea viable para estaciones de trabajo clínicas de nivel de entrada.
Rigor Metodológico: El uso de ablación estructural contra una línea base clásica de PCA-SVM aísla el valor de la autoatención, confirmando que preservar las relaciones de tokens espaciales es crítico para distinguir tipos de tumores sutiles, un beneficio que no es capturado por el agrupamiento global y los clasificadores clásicos.

Los autores concluyen que, si bien el trabajo futuro debería abordar la validación externa en conjuntos de datos independientes (por ejemplo, BRISC2025) y entradas volumétricas 3D, el marco actual establece un enfoque equilibrado para la clasificación automatizada de tumores cerebrales que prioriza tanto el rendimiento como la usabilidad clínica.

Resumen Técnico: Una Arquitectura CNN-Transformer Eficiente y Explicable para la Clasificación de Resonancias Magnéticas de Tumores Cerebrales

Más como este