Clasificación semisupervisada multiclase de neumonía mediante un marco CNN-cascade forest

Por qué importan escáneres de neumonía más inteligentes

La neumonía sigue siendo una de las principales causas de muerte en el mundo, pero muchos hospitales —sobre todo aquellos con menos especialistas— siguen dependiendo de que clínicos muy ocupados inspeccionen visualmente radiografías o tomografías de tórax. Eso dificulta no solo detectar la neumonía, sino también determinar de qué tipo se trata: bacteriana, viral, fúngica o un cuadro inflamatorio más general. Este artículo describe un nuevo sistema de inteligencia artificial (IA) diseñado para ayudar. Usa tanto imágenes de radiografía como de TC, aprende incluso de escáneres que nunca fueron etiquetados por expertos y puede distinguir con notable precisión varias subcategorías de neumonía.

De un simple sí/no a respuestas más ricas

La mayoría de las herramientas de IA existentes para infecciones pulmonares funcionan como un detector de humo básico: indican “neumonía” o “no neumonía” y se detienen ahí. Los clínicos, sin embargo, necesitan más matices. Diferentes causas de neumonía responden a medicamentos distintos, conllevan riesgos diferentes y a menudo se ven sutilmente distintas en las imágenes. Los autores se propusieron construir un sistema capaz de separar cinco categorías —bacteriana, viral, fúngica, neumonía general y pulmones normales— para que las herramientas automatizadas ofrezcan orientación más cercana a la que proporciona un radiólogo experimentado, en lugar de una simple alerta roja.

Combinar dos tipos de escáneres para una visión más completa

Para entrenar y evaluar su método, los investigadores reunieron un conjunto de datos de 4.578 imágenes de tórax tomadas de colecciones públicas: cada paciente aportó tanto una radiografía como una TC obtenidas durante el mismo episodio clínico. Las radiografías son rápidas y baratas pero bastante borrosas; las TC son más lentas y costosas pero muestran detalles estructurales finos. Al emparejar cuidadosamente las dos modalidades a nivel de paciente y eliminar casos inconsistentes o cuestionables, el equipo creó un conjunto de datos realista y desequilibrado que refleja la medicina cotidiana: algunos tipos de neumonía, como la infección fúngica, son mucho más raros que otros.

Cómo el sistema híbrido aprende de escaneos etiquetados y no etiquetados

El sistema propuesto, llamado CNN‑Enhanced Cascade Forest (CE‑Cascade), combina dos tipos de aprendizaje automático. Primero, una red convolucional profunda conocida como ResNet procesa cada imagen y la convierte en una huella de alta dimensión que captura texturas, formas y patrones asociados con la neumonía. En lugar de predecir el diagnóstico directamente, estas huellas se pasan a un “cascade forest”: múltiples capas de conjuntos de árboles de decisión que refinan repetidamente la señal, enfocándose en parches locales de la imagen y construyendo patrones más complejos en cada etapa. De manera crucial, los autores integran este modelo híbrido en un marco semisupervisado: una vez que una versión inicial se entrena con escaneos etiquetados por expertos, se le permite asignar “pseudoetiquetas” a imágenes no etiquetadas, pero solo cuando está muy segura. Esos casos de alta confianza se reincorporan al entrenamiento, ampliando el conjunto de datos efectivo sin trabajo humano adicional.

Lo que el sistema logró en la práctica

Con este enfoque, el modelo CE‑Cascade alcanzó una precisión global de clasificación del 98,86 por ciento en las cinco categorías, con puntuaciones igualmente altas tanto en datos de radiografía como de TC. No solo superó a redes neuronales más simples, sino que también venció a contendientes más avanzados, incluidos modelos convolucionales profundos con mecanismos de atención y sistemas basados en transformadores. La incorporación de escaneos con pseudoetiquetas mejoró de forma consistente la calidad de las predicciones, aumentando varias métricas de evaluación y haciendo el modelo más robusto frente a anotaciones expertas limitadas. El método también generalizó bien cuando se entrenó en una modalidad y se evaluó en la otra, lo que sugiere que había aprendido patrones relacionados con la enfermedad más que particularidades de un tipo de escáner concreto.

Del banco de pruebas al ayudante junto a la cama

Para quienes no son especialistas, la conclusión principal es que este trabajo acerca la imagenología torácica asistida por IA a algo que los clínicos pueden usar realmente. En lugar de una caja negra que simplemente dice “neumonía: sí o no”, el marco CE‑Cascade ofrece salidas multiclase detalladas y lo hace con suficiente eficiencia para un despliegue rutinario. Al aprender tanto de escaneos etiquetados como no etiquetados y al aprovechar las visiones complementarias de radiografías y TC, establece un listón alto para sistemas futuros. Si se traduce a software clínico y se acompaña de explicaciones claras sobre qué regiones de la imagen motivan sus decisiones, dicho modelo podría ayudar a los médicos a priorizar pacientes más rápido, elegir tratamientos más adecuados y llevar interpretación de nivel experto a hospitales que actualmente carecen de ella.

Cita: Muthukumaraswamy, P., Yuvaraj, T. & Krishnamoorthy, R. Semi-supervised multi-class pneumonia classification using a CNN-cascade forest framework. Sci Rep 16, 7448 (2026). https://doi.org/10.1038/s41598-026-38849-1

Palabras clave: imágenes de neumonía, IA médica, radiografía de tórax, tomografía computarizada, aprendizaje semisupervisado