Una CNN ligera para mejorar la clasificación del cáncer de pulmón no microcítico mediante imágenes de TC

Por qué importan las exploraciones pulmonares más rápidas

El cáncer de pulmón es uno de los cánceres más mortales, en parte porque con frecuencia se detecta tarde. Los médicos confían cada vez más en tomografías computarizadas detalladas y en imágenes microscópicas del tejido pulmonar para identificar signos tempranos de la enfermedad, pero interpretar estas imágenes requiere tiempo y experiencia que no siempre están disponibles, especialmente en hospitales pequeños. Este estudio presenta un modelo de inteligencia artificial compacto, llamado MiniConvNet, diseñado para ayudar a los médicos a distinguir rápida y con precisión entre varias formas principales de cáncer de pulmón no microcítico y pulmones sanos, incluso en ordenadores modestos.

El reto de detectar el cáncer de pulmón de forma temprana

La mayoría de las muertes por cáncer de pulmón se asocian al cáncer de pulmón no microcítico, un término general que incluye adenocarcinoma, carcinoma de células escamosas y carcinoma de células grandes. Estos subtipos se comportan de manera diferente, responden a tratamientos distintos y pueden parecerse mucho en las exploraciones. Hoy, radiólogos y patólogos examinan TC y cortes de tejido para tomar estas decisiones, pero este trabajo es laborioso y puede ser especialmente difícil donde hay pocos especialistas. Aunque los sistemas modernos de aprendizaje profundo pueden ayudar, muchos de los modelos con mejor rendimiento son grandes, lentos y requieren potentes procesadores gráficos, lo que dificulta su despliegue en clínicas cotidianas.

Construir un lector de imágenes más pequeño e inteligente

Los autores se propusieron diseñar una red neuronal que conservase las ventajas del aprendizaje profundo recortando su volumen. MiniConvNet es una red neuronal convolucional ligera, un tipo de algoritmo bien adaptado al análisis de imágenes. Emplea una serie de filtros de imagen pequeños, operaciones matemáticas sencillas y capas de agrupamiento que condensan gradualmente la información visual en una representación compacta, seguida de capas densas que toman la decisión final. Con aproximadamente medio millón de parámetros entrenables y un tamaño de archivo de solo unos 6 megabytes, MiniConvNet es mucho más pequeña que modelos bien conocidos como VGG, ResNet e Inception, que a menudo contienen decenas de millones de parámetros y requieren mucha más memoria y potencia de cálculo.

Poner el modelo a prueba

Para evaluar la eficacia de su diseño compacto, los investigadores entrenaron y evaluaron MiniConvNet con dos tipos diferentes de imágenes pulmonares. La primera fue una colección de 900 imágenes de TC que incluía tres subtipos de cáncer y pulmones sanos. La segunda fue un conjunto mucho mayor de 15 000 imágenes de microscopio de alta resolución del tejido pulmonar, que abarcaba clases similares. Para ambos conjuntos de datos, las imágenes se redimensionaron a un formato estándar y se sometieron a aumento de datos —transformaciones sencillas como volteo, rotación y zoom— para ayudar al modelo a manejar variaciones que podría encontrar en la práctica real. Se usaron los mismos ajustes de entrenamiento, como tasa de aprendizaje, tamaño de lote y optimizador, para MiniConvNet y para una batería de modelos de referencia populares, de modo que las comparaciones fueran justas.

Cómo se compara el nuevo modelo

En las TC, MiniConvNet alcanzó alrededor de un 96 % de precisión en el conjunto de prueba, superando claramente a modelos establecidos: el mejor de las redes más grandes, Inception V3, llegó a aproximadamente un 82 % de precisión, mientras que otros como VGG16, VGG19, ResNet‑50, EfficientNet, MobileNet y ConvNeXt se quedaron rezagados. MiniConvNet también mostró buenos valores de precisión, sensibilidad y puntuación F1 en las clases individuales, lo que indica que no solo reconocía el cáncer de forma fiable sino que además distinguía entre los tres subtipos principales y los pulmones sanos. En el conjunto de imágenes de tejido, el modelo volvió a situarse cerca de la cima, con una precisión en la prueba cercana al 97 % y un rendimiento muy equilibrado entre las categorías. Un experimento de validación cruzada de cinco pliegues —repetir el entrenamiento y la prueba con diferentes particiones de los datos— confirmó que estos resultados eran estables y no fruto de la casualidad.

Velocidad y practicidad para clínicas reales

Más allá de la precisión, el estudio enfatiza la velocidad y el uso de recursos. MiniConvNet se entrenó más rápido que muchos modelos pesados y ofreció predicciones en apenas unos milisegundos por imagen en hardware estándar, al tiempo que manejó bien tanto TC como imágenes de tejido. Estas características son cruciales para herramientas en el punto de atención, donde los ordenadores pueden ser menos potentes y los médicos necesitan respuestas rápidas. Los investigadores también mostraron que añadir una técnica de regularización llamada dropout ayudó al modelo a mantener un rendimiento alto mientras reducía el riesgo de sobreajuste, un problema que con frecuencia afecta al aprendizaje profundo con conjuntos de datos médicos relativamente pequeños.

Qué significa esto para pacientes y médicos

En términos prácticos, el trabajo sugiere que un programa de IA pequeño y eficiente puede ayudar a detectar y clasificar cánceres de pulmón con una precisión que iguala o supera a sistemas mucho más grandes. MiniConvNet es lo bastante compacto para ejecutarse en máquinas de menor coste, lo que lo convierte en un candidato prometedor para hospitales y clínicas que actualmente carecen de infraestructura informática avanzada. Aunque se necesitan conjuntos de datos de pacientes más amplios y variados, así como ensayos en entornos reales, antes de que una herramienta así pueda integrarse de forma fiable en la atención rutinaria, este estudio apunta a un futuro en el que asistentes de IA rápidos y portátiles apoyen a los especialistas en detectar el cáncer de pulmón antes y en personalizar el tratamiento con mayor precisión.

Cita: Baqir, M.A., Qayyum, S., Ashfaq, N. et al. A lightweight CNN for enhanced non-small cell lung cancer classification using CT scan image. Sci Rep 16, 12985 (2026). https://doi.org/10.1038/s41598-026-41401-w

Palabras clave: cáncer de pulmón, tomografía computarizada, aprendizaje profundo, red neuronal convolucional, imagen médica