💻 ciencias de la computación

LungColonCancerPred-NN: A Neural Network Approach for Lung and Colon Histopathology Prediction

El artículo presenta LungColonCancerPred-NN, una red neuronal de triple rama compacta que logra una precisión de vanguardia del 99,25 % en la clasificación de cinco clases de histopatología de pulmón y colon al abordar la fuga de datos en el benchmark LC25000 mediante un riguroso protocolo de evaluación basado en familias de aumento.

Autores originales: outhman abbassi, Zeyneb Belganche, Wajih Rhalem, Nassim Kharmoum

Publicado 2026-11-10

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: outhman abbassi, Zeyneb Belganche, Wajih Rhalem, Nassim Kharmoum

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 año, millones de personas son diagnosticadas con cáncer, y dos de las formas más comunes y mortales afectan a los pulmones y al colon. Cuando un médico sospecha de estas enfermedades, depende de un patólogo para examinar diminutas rebanadas de tejido bajo un microscopio. Estas rebanadas se tiñen con tintes especiales que vuelven los núcleos celulares de color púrpura y otras partes de color rosa, creando un mapa complejo de la arquitectura microscópica del cuerpo. El trabajo del patólogo es leer este mapa, distinguiendo entre el tejido sano y el cáncer, y luego identificar exactamente qué tipo de cáncer es. Esta es una tarea crítica porque el tratamiento para un tipo de cáncer de pulmón suele ser diferente de otro, y la diferencia entre un crecimiento benigno y uno maligno determina si un paciente necesita cirugía o quimioterapia. Sin embargo, este proceso es lento, difícil y depende enteramente de la disponibilidad de expertos humanos altamente capacitados.

Durante años, los científicos han intentado enseñar a las computadoras a leer estos mapas microscópicos, con la esperanza de crear una herramienta que pueda asistir a los médicos o incluso trabajar de forma independiente. Utilizan grandes colecciones de imágenes digitales para entrenar estos programas informáticos, conocidos como redes neuronales, para reconocer patrones. Pero hay una trampa oculta en cómo se construyen a menudo estas colecciones. Muchas de las imágenes utilizadas para el entrenamiento no son fotografías únicas de diferentes pacientes. En su lugar, se crean tomando una única imagen original y rotándola digitalmente, volteándola o desplazándola ligeramente para crear muchas versiones nuevas. Si un programa informático es probado con una imagen que es solo una versión volteada de una que ya ha visto durante el entrenamiento, podría obtener la respuesta correcta no porque comprenda la enfermedad, sino simplemente porque reconoce la imagen. Este fallo, conocido como fuga de datos, ha dificultado saber si estos programas informáticos están aprendiendo realmente a diagnosticar el cáncer o si solo están memorizando el examen.

Un equipo de investigadores de la Universidad Mohammed V en Marruecos ha abordado ahora este problema directamente. Construyeron un nuevo sistema informático llamado LungColonCancerPred-NN y lo probaron utilizando un método mucho más estricto de lo que se ha utilizado anteriormente. En lugar de mezclar las imágenes al azar, las agruparon cuidadosamente según su fuente original. Comenzaron con dos grandes colecciones públicas de imágenes de tejido, que suman 40,000 archivos. Primero, eliminaron miles de duplicados exactos donde el mismo archivo digital aparecía dos veces. Luego, buscaron las "familias" de imágenes que provenían de la misma muestra de un paciente original. Utilizando un sistema inteligente que entiende cómo las imágenes se ven iguales incluso cuando se rotan o se voltean, agruparon todas estas imágenes relacionadas. Luego, se aseguraron de que ningún grupo de imágenes relacionadas quedara dividido entre el conjunto de entrenamiento y el conjunto de prueba. Esto significó que la computadora tuvo que aprender a reconocer la enfermedad desde cero, sin haber visto nunca una copia casi idéntica de las imágenes de prueba durante su entrenamiento.

El sistema informático que construyeron es sorprendentemente compacto, contiene unos 5.8 millones de ajustes ajustables, lo cual es lo suficientemente pequeño como para ejecutarse en una tarjeta gráfica estándar. Funciona mirando las imágenes de tejido a través de tres "lentes" diferentes simultáneamente. Un lente se enfoca en la textura y el color general de las células, de forma muy similar a cómo un ojo humano escanea patrones generales. Un segundo lente busca formas específicas y grupos de células que son similares entre sí, incluso si están alejados en la imagen, lo que le permite conectar partes dispersas de un tumor. El tercer lente presta atención a la ubicación exacta de cada célula, comprendiendo cómo se organiza el tejido en el espacio. Un mecanismo especial luego pondera la información de los tres lentes para cada imagen, decidiendo qué vista es más importante antes de tomar una decisión final.

Cuando los investigadores probaron este sistema con 5,497 imágenes que nunca había visto, los resultados fueron notablemente precisos. La computadora identificó correctamente el tipo de tejido en el 99.25% de los casos. Más importante aún, nunca cometió el error más peligroso: nunca etiquetó un tejido canceroso como sano. Cometió algunos errores, pero la mayoría consistieron en confundir dos tipos específicos de cáncer de pulmón entre sí, un desafío que incluso los patólogos humanos a veces enfrentan y que requiere pruebas adicionales para resolverse. El sistema también identificó correctamente de qué órgano provenía el tejido en casi todos los casos. Al compararlo con otros programas informáticos recientes probados en el mismo conjunto de datos, este nuevo sistema funcionó mejor, aun cuando estaba resolviendo un problema más difícil al distinguir cinco tipos diferentes de tejido en lugar de solo tres.

El éxito de este trabajo reside no solo en la alta precisión, sino en la forma en que se diseñó la prueba. Al asegurar que las imágenes de prueba fueran verdaderamente nuevas y no solo copias de los datos de entrenamiento, los investigadores demostraron que su sistema realmente aprendió a reconocer las características biológicas del cáncer. Descubrieron que la confianza de la computadora en sus respuestas estaba bien calibrada, lo que significa que sabía cuándo no estaba segura. Este enfoque ofrece un camino más claro para el desarrollo de la inteligencia artificial en la medicina, demostrando que, con un control cuidadoso, estas herramientas pueden ir más allá del simple reconocimiento de patrones para convertirse en asistentes confiables para los médicos. Los investigadores planean probar su sistema en un conjunto de imágenes completamente diferente de un hospital distinto para ver si puede manejar las variaciones del mundo real, un paso crucial antes de que tal tecnología pudiera usarse alguna vez para ayudar a los pacientes.

Resumen Técnico: LungColonCancerPred-NN

Planteamiento del Problema
El cáncer de pulmón y el de colon son las principales causas de mortalidad por cáncer en todo el mundo, y su diagnóstico depende en gran medida de la lectura manual de secciones de tejido teñidas con hematoxilina y eosina (H&E). Si bien el aprendizaje profundo ofrece un camino hacia la clasificación asistida por computadora, el estándar de referencia para esta tarea, el conjunto de datos LC25000, sufre de una fuga de datos significativa. Las 25,000 imágenes del conjunto de datos se generan mediante la aumentación de solo 1,250 imágenes de origen mediante rotaciones y giros. En consecuencia, las divisiones aleatorias de entrenamiento-prueba suelen colocar copias casi idénticas de la misma imagen de origen tanto en el conjunto de entrenamiento como en el de prueba, lo que permite que los modelos alcancen una precisión inflada al memorizar los datos de entrenamiento en lugar de aprender características generalizables. Además, la literatura existente suele reportar una alta precisión en subconjuntos de datos (por ejemplo, solo clases de pulmón) sin abordar estos problemas de fuga o el desafío de distinguir simultáneamente entre cinco clases histológicas distintas (adenocarcinoma de colon, colon benigno, adenocarcinoma de pulmón, pulmón benigno y carcinoma de células escamosas de pulmón).

Metodología
Los autores proponen LungColonCancerPred-NN, una arquitectura de red neuronal compacta y un protocolo de evaluación riguroso diseñado para eliminar la fuga de datos.

Protocolo de Datos y Control de Fuga:
- Fuente de Datos: El estudio combina el conjunto de datos LC25000 con una segunda colección pública ("Cancer classification"), lo que resulta en 40,000 archivos iniciales.
- Deduplicación: Se eliminan los duplicados exactos utilizando el hashing MD5, eliminando 2,076 archivos.
- Familias de Aumentación: Para manejar las copias rotadas y volteadas (que difieren en bytes de archivo pero representan la misma fuente), los autores construyen "familias de aumentación". Utilizan un embedding de EfficientNet-B0 que es invariante a las ocho simetrías del cuadrado (rotaciones y reflexiones). Las imágenes se vinculan si su similitud de coseno supera un umbral ( $\tau$ ) y comparten la misma etiqueta. Se seleccionó un umbral de $\tau = 0.98$ para asegurar que ninguna familia exceda las 80 imágenes, resultando en 7,795 familias distintas.
- División Agrupada: Los datos se dividen en 70/15/15 por familia, no por imagen individual, asegurando que ninguna copia aumentada de una imagen de origen aparezca tanto en el conjunto de entrenamiento como en el de prueba.
- Auditoría: Una auditoría de vecino más cercano confirma la integridad de la división. La similitud mediana entre una imagen de prueba y su imagen de entrenamiento más cercana es 0.961, significativamente menor que la similitud de 0.998 encontrada dentro del conjunto de entrenamiento. Ninguna imagen de prueba excede el umbral de agrupación de 0.98.
Arquitectura (LungColonCancerPred-NN):
- Backbone: El modelo utiliza un único mapa de características de EfficientNet-B0 (proyectado a 256 canales) como entrada compartida para tres ramas paralelas.
- Rama Convolucional: Realiza un promedio global de características (global average pooling) para capturar características de textura local (tamaño nuclear, cromatina, color del citoplasma).
- Rama de Grafo: Construye un grafo donde los nodos son posiciones de características (rejilla de 7x7). Las aristas conectan las posiciones basadas en la similitud de características (k-NN con $k=8$ ) en lugar de la proximidad espacial. Esto permite que las regiones con estructuras histológicas similares (por ejemplo, nidos tumorales dispersos) intercambien información independientemente de la distancia.
- Rama de Transformer: Utiliza un token de clase aprendible y embeddings posicionales con dos capas de codificador Transformer de pre-normalización para modelar las relaciones espaciales globales y la disposición general del tejido.
- Fusión con Compuerta (Gated Fusion): Una compuerta sigmoidea pondera dinámicamente los embeddings de las tres ramas basándose en la imagen de entrada antes de que sean concatenados y pasados a un clasificador.
- Estrategia de Entrenamiento: El modelo (5.8M de parámetros) se entrena en dos fases: primero con el backbone congelado, luego de extremo a extremo. Emplea suavizado de etiquetas ( $\epsilon=0.08$ ), promedio de pesos estocásticos (SWA) y aumentación de tiempo de prueba de tres vistas (identidad, giro horizontal, giro vertical).

Contribuciones Clave

Protocolo de Evaluación con Control de Fuga: El artículo introduce un protocolo robusto para LC25000 y colecciones derivadas que involucra deduplicación MD5, agrupación de familias D4-invariantes y una auditoría de vecino más cercano para verificar que las imágenes de prueba sean distintas de las de entrenamiento.
Arquitectura de Triple Rama: Un diseño de red novedoso que fusiona textura convolucional, similitud de características basada en grafos y atención espacial de Transformer sobre un único backbone de EfficientNet-B0, ponderado por una compuerta sigmoidea aprendible.
Evaluación Exhaustiva: Una evaluación detallada en una tarea de 5 clases (incluyendo tanto órganos como tipos de malignidad) utilizando una división agrupada estricta, proporcionando intervalos de confianza y análisis de error que los estudios previos sobre LC25000 a menudo carecen.

Resultados
Evaluado en un conjunto de prueba de 5,497 imágenes (de 1,114 familias):

Desempeño: El modelo logró una precisión del 99.25% (IC 95%: 99.02–99.49), un F1-macro de 99.38%, un Kappa de Cohen de 0.9905 y un AUC-macro de 0.9997.
Análisis de Errores:
- Detección de Malignidad: 100% de sensibilidad; ninguna imagen maligna fue clasificada como benigna.
- Clasificación de Órganos: 99.96% de precisión; solo 2 imágenes fueron asignadas al órgano incorrecto.
- Errores Específicos: De los 41 errores totales, 33 fueron carcinomas de células escamosas de pulmón mal clasificados como adenocarcinomas de pulmón. Esto refleja la dificultad de distinguir tumores pobremente diferenciados que comparten patrones de crecimiento sólidos, un desafío que a menudo requiere inmunohistoquímica en la práctica clínica.
Comparación: El modelo superó a cuatro métodos recientes (2025–2026) que reportaron precisiones entre 97.00% y 99.11% en las tres clases de pulmón únicamente. Los autores señalan que esos estudios utilizaron divisiones aleatorias en menos clases, mientras que LungColonCancerPred-NN maneja cinco clases bajo una división agrupada con control de fuga.

Significancia y Reivindicaciones
El artículo afirma que su principal significancia radica en abordar los "resultados inflados" comunes en los benchmarks de imágenes médicas debido a la fuga de datos. Al demostrar que se puede lograr una alta precisión (99.25%) incluso cuando las copias casi idénticas están estrictamente separadas, los autores argumentan que el rendimiento de su modelo es robusto y no un artefacto de la memorización.

Los autores enfatizan que el protocolo de evaluación (hashing, agrupación de familias y auditoría) es agnóstico a la arquitectura y debe ser adoptado por cualquier trabajo futuro sobre LC25000. Mencionan modestamente que, aunque su modelo logra resultados de vanguardia en este benchmark, los errores restantes (específicamente entre el adenocarcinoma de pulmón y el carcinoma de células escamosas) reflejan las dificultades enfrentadas por los patólogos humanos, lo que sugiere que tales casos pueden requerir inherentemente herramientas de diagnóstico adicionales más allá de la tinción H&E. El artículo concluye afirmando que el modelo está listo para ser probado en conjuntos de datos externos como LungHist700 para validar aún más su generalizabilidad.

Más como este