Un enfoque de dos etapas de preprocesamiento y clasificación para una detección precisa de COVID-19 en radiografías

Por qué importa una lectura más inteligente de las radiografías

Durante la pandemia de COVID-19, los médicos se han apoyado principalmente en pruebas de laboratorio para confirmar quién está infectado. Pero el equipo de laboratorio puede ser escaso y los resultados pueden tardar—especialmente en lugares con recursos limitados. Las radiografías de tórax, en cambio, son rápidas y están muy extendidas, aunque incluso los radiólogos expertos pueden tener dificultades para detectar los cambios pulmonares, a menudo sutiles, causados por el COVID-19. Este trabajo explora una manera de enseñar a las máquinas a leer radiografías con mayor fiabilidad, limpiando primero las imágenes y luego aplicando inteligencia artificial moderna, con el objetivo de ayudar a los clínicos a tomar decisiones más rápidas y precisas.

Ver los detalles importantes en imágenes ruidosas

Una radiografía de tórax contiene una mezcla de información: huesos, tejido blando, sombras y artefactos del equipo, todo superpuesto. Los sistemas estándar de aprendizaje profundo intentan aprender directamente a partir de estas imágenes en crudo, lo que obliga a la red a averiguar por sí misma qué partes de cada imagen son importantes. Eso es difícil cuando las imágenes varían en brillo, contraste y calidad. Los autores abordan esto añadiendo un paso de preprocesamiento dedicado antes de que las radiografías lleguen a la red neuronal. Utilizan una técnica de visión por computador llamada Regiones Extremales Máximamente Estables (MSER), que analiza la imagen a muchos niveles de brillo y selecciona las regiones que permanecen estables al variar el umbral. Estos parches estables a menudo corresponden a estructuras significativas—como áreas de tejido pulmonar anómalo—mientras ignoran el desorden más aleatorio.

Dejar que una manada virtual de lobos ajuste los parámetros

MSER es potente pero delicado: su rendimiento depende en gran medida de varios parámetros numéricos que controlan cuán grande puede ser una región, cuánto puede variar su brillo y cuán suaves deben ser sus bordes. Probar manualmente todas las combinaciones para miles de radiografías sería tedioso y lento. Para resolver esto, los investigadores recurren a un método de optimización inspirado en la naturaleza llamado Optimizador Lobo Gris. En este algoritmo, una manada virtual de “lobos” explora diferentes combinaciones de parámetros, desplazándose gradualmente hacia aquellas que producen las regiones más limpias e informativas en las imágenes. La calidad de cada ajuste se puntúa mediante una medida que premia regiones tanto internamente uniformes como claramente separadas de su entorno. Tras unas pocas docenas de iteraciones por imagen, la manada converge en un conjunto de parámetros que hace que las áreas pulmonares sospechosas destaquen con claridad.

Enseñar redes neuronales con imágenes más limpias

Una vez que las radiografías se refinan de este modo, se pasan a una red neuronal convolucional profunda—la misma clase de modelos ampliamente usada en reconocimiento facial y vehículos autónomos. Los autores probaron su canal de dos etapas con tres familias de redes diferentes: una red personalizada muy sencilla, DenseNet (una arquitectura más potente y compleja) y MobileNet (un modelo más ligero diseñado para dispositivos móviles). Para cada una, compararon el rendimiento en dos conjuntos públicos de radiografías de tórax, primero usando imágenes en crudo y luego usando imágenes preprocesadas con la combinación MSER–Lobo Gris. En todos los casos, las imágenes preprocesadas condujeron a mayor exactitud, menos falsas alarmas y entrenamiento más rápido. En un caso, la precisión pasó de alrededor del 90 % a casi el 99 %, mientras que el tiempo de entrenamiento se redujo aproximadamente a un tercio.

¿Qué tan robusto es este enfoque en el mundo real?

Para comprobar si el método simplemente memorizó peculiaridades de un solo conjunto de datos, los autores realizaron una prueba más exigente: entrenaron sus modelos en una colección de radiografías y luego los evaluaron en otra colección diferente que nunca habían visto. El rendimiento cayó de forma natural, pero los sistemas que emplearon el nuevo preprocesamiento resistieron mucho mejor que los entrenados solo con imágenes en crudo. El estudio también incluyó un análisis de ablación, que mostró que usar MSER sin ajuste automático no ayudó mucho, y una comparación con un método más convencional de realce de contraste. En esos casos, las ganancias desaparecieron en su mayor parte. Esto sugiere que el ingrediente clave no es solo “mejorar” las imágenes, sino guiar al algoritmo para aislar regiones estables y relevantes para la enfermedad de manera principiada y basada en los datos.

Qué significa esto para pacientes y médicos

El trabajo no sustituye a las pruebas PCR ni a los radiólogos expertos, y los autores señalan limitaciones: los datos provienen de un conjunto limitado de hospitales y no probaron el método en todas las arquitecturas modernas de redes ni en otras enfermedades pulmonares. Aun así, sus resultados muestran que un preprocesamiento bien diseñado puede hacer que los sistemas de IA existentes sean mucho más precisos y eficientes. Al ayudar a las redes neuronales a concentrarse en las partes más informativas de cada radiografía de tórax, el enfoque de dos etapas ofrece un camino práctico hacia herramientas de apoyo automatizadas y fiables para diagnosticar COVID-19 y, potencialmente, otras afecciones respiratorias—especialmente en entornos donde las decisiones rápidas y los recursos computacionales limitados son la norma.

Cita: González, A., Gutiérrez, V.G., Cuevas, E. et al. A two-stage preprocessing and classification approach for accurate COVID-19 detection in X-ray images. Sci Rep 16, 13514 (2026). https://doi.org/10.1038/s41598-026-41861-0

Palabras clave: Diagnóstico de COVID-19 por radiografía, preprocesamiento de imágenes médicas, aprendizaje profundo en radiología, detección asistida por ordenador, IA en imágenes torácicas