El cáncer de pulmón sigue siendo la principal causa de muerte por cáncer en todo el mundo, debido en gran medida a que a menudo se detecta demasiado tarde. Cuando la enfermedad se detecta precozmente, mientras un tumor aún es pequeño y está contenido, las tasas de supervivencia son altas. Cuando se propaga, el pronóstico cae drásticamente. Para detectar estos signos tempranos, los médicos utilizan tomografía computarizada de dosis baja, o escaneos TC, que toman cientos de imágenes transversales del tórax. Un solo escaneo produce una enorme pila de cortes, creando un mapa tridimensional de los pulmones. Sin embargo, leer estos escaneos es una tarea extenuante para los radiólogos humanos. Deben examinar corte tras corte, buscando puntos diminutos y tenues que podrían ser nódulos. El enorme volumen de datos provoca fatiga, e incluso los expertos suelen discrepar sobre lo que ven. Aquí es donde entran los sistemas informáticos, que prometen actuar como un segundo par de ojos incansable, escaneando todo el volumen para señalar posibles amenazas.

El desafío para estas computadoras es que los datos que analizan son complicados. Las imágenes no son cubos perfectos; el espacio entre los cortes suele ser mucho mayor que el detalle dentro de un solo corte. Las herramientas estándar de visión artificial, diseñadas para tratar todas las direcciones por igual, desperdician esfuerzo procesando el espacio vacío entre los cortes mientras pasan por alto los detalles sutiles dentro de ellos. Además, encontrar un nódulo es diferente de delinear su forma exacta, y sin embargo, la mayoría de los sistemas tratan estas como tareas separadas. El mayor obstáculo, no obstante, es que los nódulos son increíblemente raros en comparación con el tejido pulmonar sano que los rodea. En un pequeño cubo de tejido pulmonar, el nódulo podría ocupar menos del uno por ciento del espacio. Cuando un programa informático intenta aprender de un conjunto de datos tan desequilibrado, a menudo se rinde, decidiendo simplemente que cada punto es tejido sano porque esa es la suposición más segura y fácil. Este artículo presenta un nuevo sistema diseñado para resolver estos problemas específicos, permitiendo que un programa informático ligero se ejecute en dispositivos pequeños y portátiles, manteniendo al mismo tiempo la capacidad de encontrar y delinear estos puntos peligrosos con una precisión sorprendente.

Los investigadores, trabajando desde facultades de medicina en China, desarrollaron una nueva red llamada Light3D-NoduleNet. Su objetivo era construir un sistema lo suficientemente pequeño como para ejecutarse en un dispositivo de borde (edge device), como una computadora portátil utilizada en una clínica, en lugar de una enorme granja de servidores. Comenzaron rediseñando cómo la computadora "mira" las imágenes 3D. En lugar de utilizar un filtro de bloque estándar que trata las direcciones arriba-abajo, izquierda-derecha y frente-atrás de la misma manera, crearon un filtro asimétrico. Este filtro entiende que la imagen está estirada en una dirección. Utiliza un filtro ancho y plano para escanear los patrones detallados dentro de un corte y un filtro vertical delgado para comprobar los cambios entre los cortes. Este cambio simple reduce el número de cálculos necesarios en más de la mitad, haciendo que el sistema sea mucho más rápido y ligero sin perder su capacidad de ver detalles finos.

Para hacer el sistema aún más inteligente, los investigadores añadieron un mecanismo que permite a la computadora prestar atención a las partes más importantes de la imagen. Al igual que un lector humano podría centrarse en un texto específico, el sistema aprende a ajustar su enfoque basándose en la profundidad de la red. En las capas iniciales, observa texturas locales pequeñas, mientras que en las capas más profundas, se retira para comprender las estructuras más grandes de los pulmones, como los vasos sanguíneos y las vías respiratorias. Esto ayuda a la computadora a distinguir entre un vaso sanguíneo inofensivo y un nódulo peligroso, una tarea que a menudo confunde a los sistemas más simples.

El descubrimiento más crítico de este trabajo, sin embargo, no fue sobre la velocidad o la atención, sino sobre cómo la computadora aprende a resolver dos trabajos a la vez. El sistema está diseñado para hacer dos cosas simultáneamente: primero, encontrar el centro de un nódulo, y segundo, dibujar el contorno exacto de ese nódulo. En intentos anteriores, estas dos tareas se enseñaban a menudo por separado o se permitía que trabajaran de forma aislada. Los investigadores descubrieron que cuando obligaban a estas dos tareas a hablar entre sí, todo el sistema cobraba vida. Construyeron un puente entre las dos partes de la red. La parte que encuentra el centro envía una señal a la parte de delineación, diciendo: "Mira aquí, aquí es donde está el objeto". A cambio, la parte de delineación envía una señal de vuelta, diciendo: "El borde está aquí, por lo tanto, el centro debe estar cerca de este límite".

Esta conversación bidireccional resultó ser la clave para resolver el problema del desequilibrio extremo. Sin este puente, la computadora simplemente se rendiría y declararía que todo el pulmón está sano, logrando una puntuación de aproximadamente 0.23 en su capacidad para encontrar los nódulos, un resultado conocido como la "solución trivial" donde el modelo no logra aprender nada útil. Los investigadores probaron esto construyendo versiones del sistema sin el puente. Independientemente de cuánto ajustaran las otras partes, esas versiones permanecían estancadas en esa puntuación baja, incapaces de aprender algo útil. Solo cuando la conexión bidireccional estaba presente, el sistema lograba romper la barrera de la rendición, aprendiendo a encontrar los nódulos y a delinearlos correctamente. Este hallazgo sugiere que, para que los sistemas médicos pequeños y eficientes funcionen, deben estar diseñados con un bucle integrado donde las diferentes tareas se refuercen entre sí, en lugar de trabajar de forma aislada.

El equipo probó su sistema en miles de tomografías computarizadas reales de bases de datos médicas públicas. Compararon sus resultados con varios modelos establecidos y más grandes. A pesar de tener muchos menos parámetros y requerir menos potencia de cálculo, su sistema superó a los modelos más grandes y complejos. Logró un alto nivel de precisión al delinear los nódulos, igualando el rendimiento de sistemas mucho más pesados utilizando solo una fracción de los recursos. Cuando ejecutaron el sistema en un dispositivo pequeño y portátil diseñado para uso de campo, procesaron las imágenes con la rapidez necesaria para ser útiles en un entorno clínico real, tomando solo unos segundos para analizar un área candidata.

Los investigadores también exploraron qué tan bien podía el sistema encontrar nódulos en un escaneo de pulmón completo. Aunque no era tan agresivo como los sistemas construidos únicamente para la detección, identificó con éxito la gran mayoría de los nódulos cuando se combinaba con un pequeño paso adicional para filtrar las falsas alarmas. El sistema demostró que es posible crear una herramienta médica tridimensional altamente precisa que quepa en un dispositivo pequeño, siempre que la arquitectura permita que las diferentes partes del sistema trabajen juntas en un bucle cerrado. Este enfoque ofrece un nuevo camino para llevar el cribado de cáncer de pulmón avanzado a lugares donde no hay disponibles grandes supercomputadoras, salvando potencialmente vidas al hacer que la detección temprana sea más accesible.