💻 ciencias de la computación

Squeeze-and-Excitation Channel Attention in a Compact CNN for 24-Class Clinical Skin Disease Classification

Este artículo presenta una CNN compacta de 5,01 millones de parámetros, mejorada con atención de canal Squeeze-and-Excitation, que alcanza un 88,55% de precisión en un conjunto de datos equilibrado de 24 clases de enfermedades clínicas de la piel, demostrando mejoras significativas de rendimiento sobre los modelos base al tiempo que reconoce limitaciones de evaluación específicas antes de su despliegue clínico.

Autor original: Md. Ariful Islam

Publicado 2026-11-10

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autor original: Md. Ariful 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 el autor. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En muchas partes del mundo, particularmente en zonas rurales con pocos especialistas médicos, una persona con una afección cutánea a menudo espera semanas para ver a un médico o intenta tratar el problema por sí misma con cremas de venta libre. Esta brecha en la atención ha impulsado a los investigadores a construir programas informáticos que puedan observar una fotografía de una lesión cutánea y sugerir un diagnóstico. Estos programas dependen de un tipo de inteligencia artificial llamada red neuronal convolucional, que es esencialmente un sistema digital diseñado para reconocer patrones en imágenes de forma muy similar a como lo hacen el ojo y el cerebro humanos. Para hacer estos sistemas más inteligentes sin que sean demasiado pesados para ejecutarse en las computadoras modestas que se encuentran en las clínicas pequeñas, los científicos han comenzado a añadir mecanismos de "atención". Piense en esto como una forma de que la computadora aprenda qué partes de una imagen importan más, permitiéndole enfocarse en la textura o el color específico de un sarpullido mientras ignora la piel circundante o el desorden del fondo. La pregunta que impulsa el trabajo reciente es si estas herramientas de atención pueden mejorar significamente un programa informático pequeño y eficiente entrenado desde cero para reconocer una amplia variedad de enfermedades de la piel.

Un investigador de la Universidad East Delta en Bangladesh se propuso responder a esta pregunta construyendo un modelo informático compacto específicamente para clasificar fotografías clínicas de la piel. El objetivo era crear un sistema que fuera lo suficientemente preciso para ser útil, pero lo suficientemente ligero como para ejecutarse en el hardware que las pequeñas clínicas poseen realmente, en lugar de depender de sistemas masivos preentrenados que requieren servidores potentes. Para entrenar este modelo, el investigador recopiló una colección pública de imágenes de enfermedades de la piel y las organizó en veinticuatro categorías distintas, que van desde condiciones inflamatorias comunes como el eczema hasta infecciones como la varicela, así como una categoría para la piel sana. Para asegurar que la computadora aprendiera de manera justa, el investigador equilibró cuidadosamente el conjunto de datos seleccionando exactamente el mismo número de imágenes para cada una de las categorías, lo que resultó en un total de 68,568 fotografías. La computadora fue entonces enseñada a reconocer estas veinticuatro clases desde cero, sin conocimiento previo de otras tareas, utilizando un diseño arquitectónico específico que incluía el mecanismo de atención en cada etapa de su proceso de aprendizaje.

Los resultados mostraron que este enfoque funcionó notablemente bien. Cuando se probó en un conjunto de imágenes distinto que nunca había visto, el modelo identificó correctamente la afección cutánea en casi el 89 por ciento de los casos. Este rendimiento fue significativamente mejor de lo que se esperaría de un simple azar y superó a varias otras arquitecturas informáticas estándar y bien conocidas que fueron probadas bajo las mismas condiciones. El estudio incluyó un experimento controlado para demostrar que la mejora provenía específicamente del mecanismo de atención. Cuando el investigador eliminó los bloques de atención del modelo y entrenó el resto del sistema de la misma manera, la precisión disminuyó notablemente. Al añadir de nuevo los bloques de atención, el rendimiento aumentó casi nueve puntos porcentuales, todo esto mientras el tamaño total del programa informático aumentaba en menos de un uno por ciento. Esto sugiere que la capacidad de enfocarse en las características más importantes de una imagen es una forma altamente eficiente de mejorar la precisión sin exigir más potencia de cómputo.

A pesar de estas cifras sólidas, el investigador tiene cuidado de señalar que el estudio tiene límites específicos antes de que el sistema pueda ser utilizado en un hospital real. Las imágenes utilizadas para las pruebas se dividieron aleatoriamente, lo que significa que fotos del mismo paciente o de la misma lesión podrían haber terminado accidentalmente tanto en el grupo de entrenamiento como en el de prueba, lo que podría hacer que los resultados parezcan mejores de lo que realmente son. Además, el conjunto de datos no incluyó información sobre el tono de piel de los pacientes, por lo que se desconoce qué tan bien funcionaría el sistema en tipos de piel más oscuros, que son comunes en el sur de Asia. El modelo tampoco abordó los cánceres de piel, ya que esas categorías específicas fueron excluidas del entrenamiento para mantener el enfoque en otras condiciones comunes. El investigador concluye que, si bien este modelo compacto y centrado en la atención es un punto de partida prometedor para ayudar a los médicos en entornos de bajos recursos, requiere más pruebas en grupos separados de pacientes y tipos de piel diversos antes de que pueda ser confiable para el uso clínico. El trabajo demuestra que, con el diseño adecuado, los programas informáticos pequeños y eficientes pueden aprender a ver enfermedades de la piel con un alto grado de precisión, ofreciendo una herramienta potencial para cerrar la brecha donde los dermatólogos escasean.

Resumen Técnico: Atención de Canal Squeeze-and-Excitation en una CNN Compacta para la Clasificación de 24 Clases de Enfermedades Cutáneas Clínicas

Planteamiento del Problema
El acceso a dermatólogos es severamente limitado en regiones de bajos recursos, como la zona rural de Bangladesh, lo que crea una necesidad crítica de herramientas de triaje automatizadas que sean precisas y lo suficientemente ligeras computacionalmente como para ejecutarse en hardware modesto. Aunque las Redes Neuronales Convolucionales (CNN) a gran escala han demostrado un rendimiento de nivel experto en dermatología, a menudo dependen de arquitecturas preentrenadas pesadas y de la transferencia de aprendizaje (transfer learning). Este estudio aborda la pregunta específica de cuánto contribuye la atención de canal Squeeze-and-Excitation (SE) a una CNN compacta entrenada desde cero en un conjunto amplio y multiclase de fotografías clínicas de la piel, con el objetivo de equilibrar el rendimiento con el tamaño del modelo.

Metodología
La investigación propone una arquitectura SE-CNN compacta y un protocolo experimental riguroso:

Curación del Conjunto de Datos: Se construyó un conjunto de datos equilibrado por clase de 68,568 imágenes de enfermedades cutáneas clínicas a partir de una colección pública de Kaggle. El autor excluyó carpetas de tumores genéricos o superpuestos (por ejemplo, melanoma, carcinoma de células basales) para centrarse en 24 clases específicas: 23 categorías de enfermedades (incluyendo condiciones inflamatorias, infecciones y lesiones vasculares) y una clase de piel sana. Cada categoría fue submuestreada aleatoriamente a exactamente 2,857 imágenes para asegurar un equilibrio perfecto sin duplicación sintética.
Arquitectura de la Red: La SE-CNN propuesta se entrena desde cero sin transferencia de aprendizaje. Consta de cuatro etapas convolucionales con conteos de filtros de 64, 128, 256 y 512. Cada etapa incluye dos convoluciones de 3×3 con ReLU y Normalización por Lote (Batch Normalization), seguidas de un bloque Squeeze-and-Excitation (SE) y un max pooling de 2×2. El bloque SE aprende los pesos de los canales mediante el promedio global (global average pooling) y un cuello de botella de dos capas (razón de reducción $r=16$ ), reescalando los mapas de características para enfatizar los canales informativos. La red concluye con un promedio global, una capa totalmente conectada, dropout y una función softmax de 24 vías. El recuento total de parámetros es de 5.01 millones.
Protocolo de Entrenamiento: Los modelos se entrenaron utilizando el optimizador Adam, pérdida de entropía cruzada categórica y un tamaño de lote (batch size) de 64. La aumentación de datos (rotación, zoom, desplazamientos, cizallamiento, volteo) se aplicó únicamente al conjunto de entrenamiento. El conjunto de datos se dividió en 80/20 para los conjuntos de entrenamiento y de validación externa (held-out set). El early stopping se monitoreó en la división de validación externa.
Análisis Comparativo: El estudio empleó un estudio de ablación controlado sobre un subconjunto reducido de los datos para aislar el impacto de los bloques SE. Se entrenó una "CNN Base" idéntica a la SE-CNN pero sin los bloques SE bajo condiciones idénticas. Además, se entrenaron arquitecturas estándar (MobileNetV2, DenseNet121, ResNet50, EfficientNetB0) utilizando el mismo flujo de trabajo para la comparación.

Contribuciones Clave

SE-CNN Compacta: Desarrollo de una red de 5.01 M de parámetros para la clasificación de 24 clases de enfermedades cutáneas clínicas, entrenada íntegramente desde cero.
Referencia Equilibrada: Creación de un conjunto de datos de 68,568 imágenes, perfectamente equilibrado por clase y sin imágenes duplicadas entre las particiones.
Ablación Controlada: Aislamiento experimental de la contribución del bloque SE, demostrando mejoras en el rendimiento con un aumento de parámetros insignificante.
Limitaciones Explícitas: Un recuento transparente de las restricciones de evaluación, incluyendo la división a nivel de imagen y el uso del conjunto de validación externa para el early stopping.

Resultados

Rendimiento del Conjunto de Datos Completo: En la división de validación externa (13,728 imágenes), la SE-CNN logró un 88.55% de precisión top-1 y un F1 macro de 0.888. El AUC de la curva ROC promediado micro fue de 1.00. El rendimiento varió según la clase; la piel sana y ciertas infecciones específicas (por ejemplo, varicela, herpes zóster) alcanzaron puntuaciones F1 $\geq$ 0.99, mientras que el eccema y la psoriasis/liquen plano mostraron un rendimiento inferior (F1 ~0.61–0.66) debido al solapamiento visual.
Estudio de Ablación: En un subconjunto reducido, añadir los bloques SE a la CNN base aumentó la precisión de validación del 64.2% al 73.1% y el F1 de prueba de 0.49 a 0.59. Este incremento se logró con un aumento de parámetros de menos del 1%.
Comparación con la Base: En el mismo subconjunto, la SE-CNN (72.9% de precisión de validación) superó significativamente a MobileNetV2 (50.8%) y DenseNet121 (46.5%). ResNet50 y EfficientNetB0 no lograron converger bajo el flujo de entrenamiento compartido, lo que sugiere una incompatibilidad con el escalado de datos y la aumentación específicos, más que una debilidad inherente de la arquitectura.

Significancia y Reivindicaciones
El artículo afirma que el estudio de ablación proporciona evidencia directa de que la atención de canal SE añade aproximadamente nueve puntos porcentuales a la precisión de validación y diez puntos al F1 de prueba con menos del 1% de parámetros adicionales. Esto respalda la utilidad de los módulos de atención ligeros para el triaje dermatológico en entornos de bajos recursos donde el tamaño del modelo es una restricción.

El autor establece explícitamente que los resultados son un "punto de partida" para el triaje clínico, pero aún no están listos para el despliegue clínico. Destacan varias limitaciones:

Riesgo de Fuga de Datos (Data Leakage): El uso de la división a nivel de imagen (en lugar de a nivel de paciente) puede inflar las métricas de rendimiento si múltiples imágenes del mismo paciente aparecen tanto en el entrenamiento como en la prueba.
Sesgo de Validación: La división de validación externa se reutilizó para el early stopping, lo que significa que no es un conjunto de prueba completamente independiente.
Generalizabilidad: La falta de metadatos sobre el tono de la piel impide la evaluación del rendimiento en tipos de piel más oscuros, que son prevalentes en el grupo demográfico objetivo.
Artefactos de la Fuente: La clasificación casi perfecta de ciertas clases puede deberse en parte a que el modelo reconoce prefijos de imagen específicos de la fuente en lugar de características de la enfermedad.

Se propone que el trabajo futuro aborde estos problemas mediante la separación a nivel de paciente, la validación externa en conjuntos de datos como Fitzpatrick 17k y la inclusión de mapas de prominencia (saliency maps, por ejemplo, Grad-CAM) para verificar que el modelo presta atención a las lesiones y no a los artefactos del fondo.

Más como este