A ResNet-50 Classifier with Grad-CAM and SHAP for Explainable Breast Cancer Detection in Dense Mammography: Comparison with Human Radiologist Performance

Resumen Técnico: Un Clasificador ResNet-50 con Grad-CAM y SHAP para la Detección Explicable de Cáncer de Mama en Mamografía de Densidad Alta

Planteamiento del Problema
El cáncer de mama sigue siendo la neoplasia maligna diagnosticada con mayor frecuencia entre las mujeres a nivel mundial. Si bien el cribado mediante mamografía reduce la mortalidad, su eficacia se ve significativamente comprometida en mujeres con tejido mamario denso, donde las estructuras fibroglandulares superpuestas oscurecen las lesiones. Los radiólogos que interpretan mamografías densas alcanzan una sensibilidad de solo el 60–70%, lo que provoca diagnósticos erróneos y retrasados. Aunque los modelos de aprendizaje profundo han demostrado una alta precisión en estudios retrospectivos, suelen funcionar como "cajas negras", careciendo de la transparencia necesaria para su adopción clínica. Los médicos no pueden verificar el razonamiento del modelo ni identificar posibles sesgos, lo que limita la confianza y la integración en los flujos de trabajo. Existe una necesidad urgente de sistemas de diagnóstico que no solo logren una alta precisión en mamografías densas, sino que también proporcionen explicaciones interpretables y clínicamente accionables.

Metodología
El estudio empleó un enfoque de aprendizaje profundo supervisado utilizando una arquitectura ResNet-50 entrenada en un conjunto de datos equilibrado derivado de la colección MammoBench v2. Este conjunto de datos agrega seis fuentes de mamografía (INbreast, CMMD, DDSM, DMID, KAU-BCMD y CDD-CESM), sumando un total de 19,731 imágenes. Para abordar el desequilibrio de clases, los autores construyeron un conjunto de datos equilibrado de 16,368 imágenes (8,184 malignas y 8,184 no cancerosas), el cual se dividió en conjuntos de entrenamiento (60%), validación (20%) y prueba (20%).

La arquitectura del modelo utilizó un backbone ResNet-50 preentrenado en ImageNet, al cual se le eliminó la capa de clasificación superior y se reemplazó por una capa de agrupación de promedio global (global average pooling), capas de dropout y capas densas para clasificación binaria. El modelo fue entrenado utilizando pérdida de entropía cruzada binaria con el optimizador Adam, empleando la parada temprana (early stopping) y la reducción de la tasa de aprendizaje para prevenir el sobreajuste.

Para abordar la brecha de interpretabilidad, el estudio integró dos técnicas de IA explicable (XAI):

1. Grad-CAM (Gradient-weighted Class Activation Mapping): Aplicado a la capa conv5_block3_conv para generar mapas de calor espaciales. Esto visualiza las regiones específicas de la mamografía que más influyeron en la predicción del modelo, respondiendo a la pregunta "¿dónde?".
2. SHAP (SHapley Additive exPlanations): Aplicado a una muestra estratificada de 300 imágenes de prueba mediante KernelSHAP. Este método cuantifica la contribución de las características individuales al resultado del modelo, proporcionando interpretabilidad global y evaluando la confianza de la predicción.

Contribuciones Clave
El artículo realiza cuatro contribuciones primarias:

1. Benchmarking de Rendimiento: Demuestra que un clasificador ResNet-50 estándar puede alcanzar una sensibilidad más alta (72.2%) que el rango humano reportado (60–70%) para mamografía de mama densa, manteniendo una especificidad competitiva.
2. Marco Integral de XAI: Combina explicaciones espaciales (Grad-CAM) con importancia de características cuantitativa (SHAP) para generar umbrales de confianza clínicamente accionables.
3. Caracterización de Errores: Utiliza visualizaciones de Grad-CAM para distinguir entre tipos de error. Los falsos negativos se caracterizan por una activación débil y difusa que no logra localizar la lesión, mientras que los falsos positivos exhiben una activación focal fuerte sobre masas benignas (malinterpretación) o una activación difusa sobre parénquima denso (sobreinterpretación).
4. Directrices de Despliegue Clínico: Deriva directrices de confianza específicas basadas en el análisis de SHAP, recomendando el uso del modelo como un segundo lector de apoyo en lugar de un cribador autónomo.

Resultados
En un conjunto de prueba de 3,274 imágenes equilibradas, el modelo logró:

• Precisión (Accuracy): 76.45%
• Sensibilidad (Recall): 72.2% (detectando 1,182 de 1,637 casos malignos)
• Especificidad: 80.7% (identificando correctamente 1,321 de 1,637 casos no cancerosos)
• AUC-ROC: 0.846
• Precisión Promedio (Average Precision): 0.835

La sensibilidad del 72.2% supera el rango típico de desempeño humano para mamas densas, aunque la especificidad es modestamente inferior al estándar radiológico de 85–90%. Los autores señalan que este compromiso es clínicamente aceptable para una herramienta de segundo lector, donde omitir un cáncer es el riesgo principal.

El análisis de SHAP de 300 imágenes de prueba seleccionadas al azar reveló que todas las predicciones caían dentro de un rango de probabilidad "incierto" (0.3–0.7), con una probabilidad media de 0.351 y una entropía media de 0.64. Esto indica que el modelo expresa una cautela apropiada en mamografías no seleccionadas y vuelve a la prevalencia base en ausencia de evidencia sólida.

Significancia y Reivindicaciones
El artículo sostiene que un clasificador de aprendizaje profundo estándar, cuando se combina con métodos de explicabilidad robustos, puede superar la sensibilidad humana en el desafiante dominio del tejido mamario denso, proporcionando al mismo tiempo un razonamiento transparente. El estudio enfatiza que el modelo es mejor desplegado como un segundo lector, no como una herramienta de diagnóstico autónoma.

Basándose en los hallazgos de SHAP, los autores proponen tres recomendaciones clínicas específicas:

1. Confiar en el modelo cuando las probabilidades de salida sean inferiores a 0.3 o superiores a 0.7, ya que estas representan predicciones de alta confianza.
2. Requerir revisión obligatoria del radiólogo para las predicciones entre 0.4 y 0.6, donde la incertidumbre del modelo es mayor.
3. Desplegar el modelo para señalar casos de alta confianza y derivar los casos ambiguos a expertos humanos, mejorando así el juicio clínico en lugar de reemplazarlo.

Los autores concluyen que este marco ofrece una vía práctica para integrar la IA explicable en el cribado de cáncer de mama, mejorando potencialmente las tasas de detección temprana y reduciendo los casos perdidos en poblaciones de mamas densas. El estudio reconoce limitaciones, incluyendo la falta de un estudio de lector emparejado, el uso de un conjunto de datos equilibrado que sobrerepresenta la prevalencia del cáncer y la ausencia de anotaciones demográficas para el análisis de sesgo de subgrupos.