Sistema automático para la detección y clasificación de patologías pulmonares mediante el análisis de radiografías de tórax

Abstract

[Resumen]: El diagnóstico de enfermedades pulmonares a partir de radiografías de tórax continúa siendo uno de los principales retos en el ámbito de la medicina radiológica, especialmente en contextos con escasez de profesionales especializados. En este escenario, el uso de técnicas de inteligencia artificial, y más concretamente del aprendizaje profundo, se presenta como una herramienta prometedora para apoyar la detección precoz, precisa y automatizada de múltiples patologías torácicas. Este Trabajo de Fin de Grado tiene como objetivo el diseño, entrenamiento y comparación sistemática de distintas arquitecturas de redes neuronales profundas aplicadas a la clasificación multiclase de patologías pulmonares en radiografías de tórax. Para ello, se han evaluado diez modelos representativos de diferentes familias de arquitecturas, incluyendo redes convolucionales clásicas (como ResNet34, DenseNet121 o VGG16), variantes más modernas (EfficientNetV2, ConvNeXt, ShuffleNet, etc.) y modelos basados en transformadores (Vision Transformer y MaxViT). Todos los modelos han sido entrenados bajo un protocolo homogéneo, utilizando técnicas de ajuste dinámico del learning rate y selección del mejor modelo en validación, con el fin de garantizar una comparación justa y robusta. El rendimiento de cada arquitectura se ha evaluado utilizando la métrica AUC por clase, así como la media global entre todas las patologías. Los resultados obtenidos evidencian que la arquitectura MaxViT alcanza el mejor rendimiento medio (AUC = 0.841), superando a modelos ampliamente reconocidos del estado del arte. Asimismo, se ha incorporado un análisis de explicabilidad mediante la técnica Grad-CAM, generando mapas de activación sobre cada imagen que permiten visualizar qué regiones anatómicas han sido más relevantes en la toma de decisiones del modelo. Estos mapas evidencian una correspondencia razonable con las localizaciones clínicas esperadas, reforzando la confianza en el sistema como apoyo al diagnóstico. En conjunto, este trabajo no solo ofrece un análisis comparativo exhaustivo de modelos actuales de clasificación en imágenes médicas, sino que también pone de relieve la importancia de integrar mecanismos de explicabilidad para facilitar su futura adopción clínica. Los resultados obtenidos abren la puerta al desarrollo de herramientas automáticas de cribado que podrían ser especialmente útiles en entornos hospitalarios con alta carga asistencial o recursos limitados.