Un marco EfficientNetB0 optimizado con preprocesamiento basado en CLAHE para una clasificación multicategoría precisa de radiografías de tórax

Ayuda más inteligente a partir de radiografías de tórax

Las radiografías de tórax están entre las pruebas médicas más comunes del mundo, pero su lectura correcta —especialmente cuando aparecen varios problemas pulmonares o cardiacos a la vez— está lejos de ser sencilla. Este estudio describe un nuevo sistema informático que ayuda a los médicos a detectar múltiples enfermedades torácicas en una sola radiografía con mayor precisión, mediante un modelo de inteligencia artificial (IA) cuidadosamente afinado y pasos de mejora de imagen que hacen que los detalles sutiles sean más fáciles de ver.

Por qué las imágenes torácicas son difíciles de interpretar

En una radiografía de tórax, muchas capas de órganos y tejidos se solapan: costillas, pulmones, corazón y vasos sanguíneos se proyectan en la misma imagen plana. Los radiólogos experimentados aprenden a desenredar este rompecabezas visual, pero aun ellos pueden tener dificultades cuando concurren varias afecciones, como líquido alrededor de los pulmones, infección y un corazón agrandado. Las herramientas asistidas por ordenador anteriores a menudo simplificaban esta realidad, tratando cada imagen como si mostrara un solo problema o ninguno. Eso las hace menos útiles en clínicas reales, donde los pacientes con frecuencia presentan más de una enfermedad al mismo tiempo.

Construyendo una vista más nítida de los pulmones

Los investigadores partieron de una gran colección pública de más de 100 000 radiografías de tórax anonimizadas del National Institutes of Health de EE. UU. Se centraron en cinco hallazgos clave que importan en la atención cotidiana: exámenes normales, neumonía, colapso pulmonar (neumotórax), líquido alrededor del pulmón (derrame pleural) y corazón agrandado (cardiomegalia). Antes de dejar que la IA aprendiera de las imágenes, pasaron cada radiografía por una cadena de limpieza estandarizada. Las imágenes se mantuvieron en escala de grises, su contraste se aumentó suavemente mediante un método llamado CLAHE para revelar patrones tenues en los pulmones, se ajustó el brillo para mayor uniformidad y todas las imágenes se redimensionaron a las mismas dimensiones. El equipo también equilibró hallazgos raros y comunes repitiendo cuidadosamente algunos ejemplos y recortando otros, de modo que el modelo no ignorara enfermedades poco frecuentes pero importantes.

Entrenando una IA que respete la complejidad del mundo real

En el corazón del sistema se encuentra una red EfficientNetB0, un diseño moderno de aprendizaje profundo conocido por exprimir un alto rendimiento en modelos relativamente pequeños y rápidos. Los autores personalizaron esta red para la realidad mixta de la imagenología torácica: en lugar de forzar una respuesta única de sí o no, el sistema emite una probabilidad separada para cada uno de los cinco hallazgos, permitiéndole señalar varios problemas en una sola imagen. Añadieron un componente parecido a la atención que ayuda al modelo a enfatizar los patrones más informativos, y utilizaron una regla de entrenamiento especial que enfoca el aprendizaje en los casos más difíciles y fácilmente pasables por alto. El entrenamiento se realizó en dos etapas: primero ajustando solo las capas finales y luego afinando toda la red, utilizando validación cruzada rigurosa para comprobar que los resultados fueran estables y no debidos a particiones casuales de los datos.

Qué tan bien funciona el sistema

Para ver si su diseño realmente ayudaba, el equipo comparó EfficientNetB0 con dos alternativas populares, DenseNet121 y MobileNetV2, en condiciones idénticas. Los tres modelos alcanzaron una precisión global similar, pero el EfficientNetB0 optimizado destacó donde más importa en medicina: fue mejor separando los casos enfermos de los sanos y evitando diagnósticos perdidos. En los cinco hallazgos alcanzó una alta puntuación media para distinguir enfermedad de no enfermedad, y fue especialmente sólido para neumonía y cardiomegalia. Incluso en los casos más complejos de neumotórax y derrame, donde los signos en la radiografía pueden ser sutiles y solaparse con otros problemas, el modelo mantuvo una capacidad de detección sólida mientras conservaba consistencia a lo largo de pruebas repetidas.

Qué significa esto para pacientes y clínicos

El estudio muestra que prestar atención a todo el flujo de trabajo —desde cómo se limpian y equilibran las radiografías hasta cómo se entrena la IA— puede producir una herramienta que refleje mejor la realidad desordenada de la imagenología hospitalaria. En lugar de pretender reemplazar a los radiólogos, el sistema propuesto está diseñado para actuar como un segundo par de ojos, señalando múltiples problemas posibles en una sola radiografía de tórax y llamando la atención sobre los casos que merecen una revisión humana más detenida. Con sus sólidos resultados en un gran conjunto de datos público y un diseño que puede adaptarse a otras colecciones, este enfoque acerca el diagnóstico asistido por ordenador un paso más a su uso cotidiano, donde lecturas de radiografías de tórax más rápidas y fiables podrían ayudar a que los pacientes reciban una atención oportuna y adecuada.

Cita: Hegazy, N.Y., Sawah, M.S. An optimized EfficientNetB0 framework with CLAHE-based preprocessing for accurate multi-class chest X-ray classification. Sci Rep 16, 10811 (2026). https://doi.org/10.1038/s41598-026-42492-1

Palabras clave: IA para radiografías de tórax, detección de enfermedades pulmonares, aprendizaje profundo en radiología, preprocesamiento de imágenes médicas, clasificación multilabel