💻 ciencias de la computación

Lung Cancer Classification from CT Images: A Comparative Study of SVM, Modified CNN, and EfficientNet–SVM Hybrid Models

Este artículo presenta un marco integral de diagnóstico asistido por computadora para la clasificación del cáncer de pulmón en el conjunto de datos de TC IQ-OTH/NCCD, demostrando que una arquitectura CNN modificada y enriquecida con normalización por lotes supera tanto a los enfoques tradicionales basados en SVM como a un modelo híbrido EfficientNet–SVM al lograr una precisión de prueba del 99,41%.

Autores originales: Nuran Binte Habib, Shahida Akther, Rabiul Islam

Publicado 2026-11-06

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Nuran Binte Habib, Shahida Akther, Rabiul Islam

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 cáncer de pulmón sigue siendo la principal causa de muerte por cáncer en todo el mundo, cobrándose millones de vidas anualmente. La diferencia entre la supervivencia y la tragedia suele depender de la detección oportuna. Cuando la enfermedad se detecta a tiempo, mientras aún es un punto pequeño y localizado, la probabilidad de sobrevivir cinco años es alta. Una vez que se propaga, esa probabilidad cae drásticamente. Los médicos dependen en gran medida de la tomografía computarizada, o escaneos TC, para encontrar estos signos tempranos. Un escaneo TC crea un mapa detallado y tridimensional de los pulmones mediante la toma de cientos de imágenes transversales delgadas. Sin embargo, la lectura de estos escaneos es una tarea exigente para los radiólogos humanos. El escaneo de un solo paciente puede contener cientos de cortes, y los nódulos tempranos que señalan el cáncer pueden ser sutiles, fáciles de pasar por alto o confundirse con manchas inofensivas. Esta carga cognitiva y el potencial de error humano han impulsado a los investigadores a desarrollar sistemas informáticos que puedan ayudar a detectar estos patrones peligrosos.

En este contexto, un equipo de investigadores de Bangladesh y Estados Unidos se propuso construir y probar un nuevo tipo de sistema de diagnóstico asistido por computadora. Se centraron en un desafío específico: enseñar a una computadora a mirar cortes de escaneos TC y clasificarlos correctamente en tres categorías: tejido pulmonar normal, nódulos benignos (inofensivos) y nódulos malignos (cancerosos). Los investigadores trabajaron con una colección pública de más de mil cortes de TC de 110 pacientes. Un obstáculo importante en este trabajo es que los datos están desequilibrados; hay muchas más imágenes de pulmones cancerosos que de pulmones sanos. Si una computadora se entrena con datos tan desiguales, tiende a ignorar los casos raros, que es exactamente lo opuesto a lo que los médicos necesitan. Para resolver esto, el equipo no dependió de un solo método. En su lugar, construyeron un marco integral que probó cuatro enfoques diferentes de forma paralela para ver cuál funcionaba mejor.

El primer enfoque que exploró el equipo fue un método tradicional que se basa en reglas diseñadas por humanos. Tomaron las imágenes de TC originales y las limpiaron utilizando una serie de pasos: suavizar el ruido granulado, aumentar el contraste para que las características resalten y trazar los bordes del tejido pulmonar para aislarlo del resto del cuerpo. A partir de estas imágenes limpias, extrajeron descripciones numéricas específicas de la textura, la forma y el brillo de las manchas. Luego, introdujeron estos números en un clasificador matemático conocido como Máquina de Vectores de Soporte (Support Vector Machine). Para manejar el desequilibrio en los datos, probaron seis estrategias diferentes para equilibrar artificialmente el número de ejemplos que la computadora veía, tales como duplicar casos raros o crear nuevos ejemplos sintéticos que se parezcan a los casos raros. También probaron tres formas diferentes para que la computadora midiera la distancia entre los puntos de datos. La versión más exitosa de este enfoque tradicional utilizó una estrategia específica para equilibrar los datos y una forma no lineal de medir distidades, logrando una precisión equilibrada de casi el 99 por ciento.

El segundo enfoque abandonó las reglas diseñadas por humanos y dejó que la computadora aprendiera los patrones por sí misma utilizando un modelo de aprendizaje profundo llamado Red Neuronal Convolucional, o CNN. El equipo comenzó con una versión básica de esta red, que es esencialmente una pila de capas que escanean una imagen para encontrar bordes simples, luego formas y, finalmente, estructuras complejas. Este modelo básico funcionó muy bien, identificando correctamente la condición pulmonar en casi el 99 por ciento de los casos de prueba. Sin embargo, los investigadores realizaron una modificación específica para mejorarlo aún más. Añadieron un paso llamado normalización por lotes (batch normalization), que actúa como un estabilizador para el proceso de aprendizaje, ayudando a la computadora a ajustar sus configuraciones internas de manera más eficiente mientras se entrena. Este único cambio elevó la precisión aún más, al 99.41 por ciento, convirtiéndolo en el modelo más exitoso de su estudio.

El tercer enfoque fue un híbrido, que combinaba las fortalezas de los dos anteriores. Los investigadores utilizaron un potente modelo de aprendizaje profundo preentrenado llamado EfficientNet para actuar como extractor de características. Este modelo, que ya había aprendido a reconocer objetos en millones de fotos cotidianas, se utilizó para convertir cada corte de TC en un resumen matemático compacto. En lugar de dejar que el modelo de aprendizaje profundo tomara la decisión final, pasaron este resumen a una Máquina de Vectores de Soporde para que realizara el veredicto final. Esta separación de funciones permitió al sistema aprovechar la capacidad del modelo de aprendizaje profundo para ver patrones complejos, mientras utilizaba la toma de decisiones robusta del clasificador tradicional. Este modelo híbrido alcanzó una precisión del 98 por ciento, demostrando que combinar diferentes tipos de inteligencia puede producir resultados sólidos sin necesidad de los sistemas más masivos y complejos disponibles.

Los investigadores compararon sus hallazgos con otros estudios recientes que utilizaron el mismo conjunto de datos. Si bien otros equipos lograron puntuaciones altas similares, a menudo dependieron de técnicas más complejas, como generar imágenes falsas para entrenar al sistema o utilizar redes neuronales masivas y de gran potencia. La CNN modificada de nuestro equipo logró la mayor precisión de todas, 99.41 por ciento, sin necesidad de estos pasos adicionales y computacionalmente costosos. También señalaron que su sistema era particularmente bueno identificando casos malignos, que es la tarea más crítica para salvar vidas. El estudio concluye que un modelo computacional de tamaño moderado y cuidadosamente ajustado puede rivalizar con el rendimiento de sistemas mucho más grandes y complejos. Al probar sistemáticamente diferentes formas de manejar el desequilibrio de datos y diferentes ajustes arquitectónicos, los investigadores demostraron que el alto rendimiento en el diagnóstico por imágenes médicas no siempre requiere las herramientas más complicadas, sino una combinación reflexiva de métodos establecidos.

Resumen Técnico: Clasificación de Cáncer de Pulmón a partir de Imágenes de TC

Planteamiento del Problema
El cáncer de pulmón sigue siendo la principal causa de mortalidad por cáncer a nivel mundial, siendo la detección temprana crítica para mejorar la tasa de supervivencia a cinco años. Si bien la Tomografía Computarizada (TC) es la modalidad de elección para el cribado, la naturaleza volumétrica de las exploraciones de TC (típicamente de 80 a 200 cortes por caso) impone una carga cognitiva significativa sobre los radiólogos, lo que puede derivar en la omisión de nódulos incipientes sutiles. Además, los estudios automatizados existentes sobre el conjunto de datos IQ-OTH/NCCD suelen sufrir de brechas metodológicas: frecuentemente evalúan modelos de aprendizaje profundo o de aprendizaje automático clásico de forma aislada en lugar de comparativa, carecen de estudios de ablación sistemáticos sobre estrategias de manejo de desequilibrio de clases y dependen de métricas de evaluación limitadas que pueden no capturar plenamente el rendimiento en distribuciones multiclase sesgadas.

Metodología
Los autores proponen un marco unificado de Diagnóstico Asistido por Computadora (CAD) evaluado en el conjunto de datos IQ-OTH/NCCD, que consta de 1,097 cortes de TC de 110 pacientes en tres clases: Normal (416), Benigno (120) y Maligno (561). El marco integra seis etapas secuenciales:

Preprocesamiento de Imagen: Un flujo de trabajo determinista aplica suavizado Gaussiano ( $\sigma=1$ ), ecualización de histograma, detección de bordes Canny (umbrales 50/150) y cierre morfológico para suprimir el ruido y mejorar la conspicuidad de la lesión.
Segmentación Pulmonar: Se utiliza el umbral de Otsu para la segmentación inicial, seguido de limpieza morfológica, eliminación de objetos pequeños y llenado de huecos para generar una máscara pulmonar binaria.
Extracción de Características (para Modelos Clásicos): Se construye un vector de características manuales a partir de la región segmentada, combinando cuatro categorías:
- Estadísticas: Media, desviación estándar, varianza, mediana, mínimo/máximo, percentiles, asimetría y curtosis.
- Textura: Patrones Binarios Locales (LBP), incluyendo variantes invariantes a la rotación.
- Gradiente: Derivadas espaciales de primer orden (magnitud y orientación) mediante núcleos Sobel.
- Forma: Área, perímetro, compacidad, relación de aspecto, extensión y solidez.
Manejo del Desequilibrio de Clases: Para abordar el severo desequilibrio (una relación de aproximadamente 4.67:1 entre las clases maligna y benigna), se evalúan sistemáticamente seis estrategias: SMOTE, ADASYN, Borderline-SMOTE, Sobremuestreo Aleatorio (ROS), SMOTE–Tomek y ponderación de clase sensible al costo.
Arquitecturas de Modelos: Se implementan y comparan tres paradigmas de clasificación distintos:
- SVM: Un referente de Máquina de Vectores de Soporte evaluado a través de una cuadrícula de ablación de $6 \times 3$ , probando seis estrategias de desequilibrio contra tres núcleos (Lineal, RBF, Polinómico).
- CNN Base: Una red convolucional personalizada de 3 bloques (32, 64, 128 filtros) con max-pooling, capas densas y dropout, entrenada sin normalización por lotes.
- CNN Modificada: Una versión mejorada de la CNN base que incorpora Normalización por Lotes después de cada operación convolucional, antes de la activación ReLU, para acelerar la convergencia y reducir el desplazamiento de la covariable interna.
- Híbrido EfficientNet–SVM: Un modelo que utiliza un trasfondo (backbone) preentrenado de EfficientNet-B0 (congelado) para extraer embeddings de 1,280 dimensiones, que luego se introducen en un SVM de núcleo. Este enfoque desacopla el aprendizaje de representación profunda del ajuste del límite de decisión de máximo margen.
Evaluación: Más allá de la precisión estándar, el estudio emplea métricas conscientes del desequilibrio, incluyendo Precisión Balanceada, AUC-ROC promedio macro, Coeficiente de Correlación de Matthews (MCC) y $\kappa$ de Cohen.

Contribuciones Clave
El artículo reclama cinco contribuciones primarias:

Pipeline Unificado: Un flujo de trabajo de procesamiento de imágenes y extracción de características reproducible y ligero que combina el preprocesamiento determinista con un conjunto de características manuales de cuatro categorías.
Ablación Sistemática: La comparación más exhaustiva hasta la fecha sobre el conjunto de datos IQ-OTH/NCCD, evaluando una cuadrícula de $6 \times 3$ de estrategias de manejo de desequilibrio y núcleos de SVM.
Rendimiento de la CNN Modificada: Demostración de que una modificación arquitectónica simple (añadir Normalización por Lotes) a una CNN base produce un 99.41% de precisión de prueba sin requerir aumentación basada en GAN o mecanismos de atención complejos.
Validación del Modelo Híbrido: Presentación de un híbrido EfficientNet-B0–SVM que alcanza un 98.00% de precisión con un recall perfecto en casos malignos, ilustrando la eficacia de desacoplar la extracción de características del ajuste del límite de decisión.
Evaluación Rigurosa: Inclusión de MCC y $\kappa$ de Cohen para proporcionar una caracterización más fiel del rendimiento multiclase bajo distribuciones sesgadas.

Resultados
Los resultados experimentales en el conjunto de prueba reservado (15% de los datos) son los siguientes:

CNN Modificada: Logró la mayor precisión de prueba general del 99.41% con un F1-score macro de 0.99. Demostró una precisión perfecta para los casos benignos y malignos, y un rendimiento casi perfecto en los casos normales.
SVM (ROS + RBF): El mejor modelo clásico logró una precisión balanceada de 98.81% y un F1-score macro de 98.81%. El núcleo RBF superó consistentemente a los núcleos Lineal y Polinómico en todas las estrategias de desequilibrio.
Híbrido EfficientNet–SVM: Alcanzó un 98.00% de precisión de prueba con un F1-score macro de 0.957. Notablemente, logró un recall perfecto (1.00) para los casos malignos en el conjunto de prueba.
CNN Base: Logró un 98.79% de precisión, sirviendo como punto de referencia que mostró que la mejora de la CNN Modificada se atribuye a la Normalización por Lotes.

Significancia y Reivindicaciones
Los autores afirman que su trabajo demuestra un rendimiento competitivo y de vanguardia en el conjunto de datos IQ-OTH/NCCD sin recurrir a aumentaciones basadas en GAN computacionalmente costosas o a grandes trasfondos de transformadores. El estudio destaca que:

Simplicidad vs. Complejidad: Una CNN Modificada con Normalización por Lotes puede superar a arquitecturas más complejas (ej. Lung-EffNet con GANs) manteniendo una topología más simple.
Estrategia de Desequilibrio: El sobremuestreo explícito (específicamente el Sobremuestreo Aleatorio y ADASYN) combinado con núcleos RBF es superior a la ponderación sensible al costo por sí sola para el perfil de desequilibrio de este conjunto de datos específico.
Viabilidad del Híbrido: Los modelos híbridos pueden aprovechar eficazmente las características profundas preentrenadas para la representación, utilizando simultáneamente los límites de decisión robustos de los SVM, ofreciendo un equilibrio entre el poder del aprendizaje profundo y la interpretabilidad clásica.

El artículo concluye que, si bien el tamaño del conjunto de datos (110 pacientes) es una limitación, el marco propuesto ofrece una base robusta y reproducible para la clasificación del cáncer de pulmón, sugiriendo como trabajo futuro la inclusión de validación multicéntrica e la integración de arquitecturas espacio-temporales.

Resumen Técnico: Clasificación de Cáncer de Pulmón a partir de Imágenes de TC

Más como este