Sistema automático y explicable para el cribado simultáneo de múltiples patologías pulmonares en radiografías de tórax mediante aprendizaje profundo

Abstract

[Resumen]: En un contexto clínico donde la rapidez y precisión diagnóstica son fundamentales, este estudio presenta un enfoque basado en inteligencia artificial para el cribado automatizado y simultáneo de múltiples enfermedades pulmonares a partir de radiografías de tórax. A través de un modelo de aprendizaje profundo de clasificación multi- etiqueta, se ha desarrollado una herramienta capaz de identificar de manera eficiente 14 patologías pulmonares distintas (atelectasia, cardiomegalia, derrame pleural, infiltración, masa, nódulos, neumonía, neumotórax, consolidación, edema, enfisema, fibrosis, engrosamiento pleural y hernia), abordando así uno de los principales desafíos del diagnóstico por imagen: la coocurrencia de enfermedades y la complejidad inherente a su diferenciación visual. El sistema propuesto fue entrenado y validado con un conjunto masivo proveniente del National Institutes of Health (NIH) Clinical Center de Estados Unidos, compuesto por 112120 radiografías de 30805 pacientes, lo que garantiza una base sólida y representativa para evaluar su rendimiento en escenarios clínicos reales. Los resultados obtenidos muestran un desempeño robusto y generalizable, posicionando a este sistema como una solución prometedora para aliviar la carga diagnóstica en servicios radiológicos de alta demanda. Además, el modelo integra una herramienta de explicabilidad a través de mapas de activación Grad-CAM, lo que permite visualizar las regiones clave de las radiografías utilizadas para cada predicción. Esta capacidad de interpretación no solo incrementa la transparencia del sistema, sino que también refuerza la confianza de los profesionales de la salud, facilitando una toma de decisiones más precisa.