Algoritmo para reducir características radiómicas en la clasificación de nódulos pulmonares

Resumen

El cáncer de pulmón constituye una de las principales causas de mortalidad a nivel mundial. La TC es la técnica más utilizada para el diagnóstico temprano y la evaluación de la respuesta al tratamiento. En este contexto, la Radiómica ha emergido para extraer automáticamente un gran volumen de características cuantitativas de imágenes digitales. No obstante, el desafío fundamental reside en la gestión de la redundancia y la inestabilidad de estas características, lo que compromete la fiabilidad y la generalización. En este estudio, se estableció un sistema basado en la reducción de características Radiómicas y Aprendizaje Automático. Se propuso un enfoque estadístico basado en el cálculo del Coeficiente de Correlación de Pearson entre cada característica y la anotación de los datos para lograr una reducción sensible y eficiente de los atributos, minimizando la redundancia y el costo computacional. Se empleó un conjunto de 275 nódulos de la base de datos LIDC-IDRI anotada. Se extrajo un grupo inicial de 102 características y se redujeron a solo 5 para la clasificación binaria y 3 para la clasificación de cinco grados de malignidad. Se entrenaron y validaron diez modelos de Support Vec-tor Machine y Random Forest. En ambos experimentos, los mejores modelos lograron valores de sensibilidad, especificidad, precisión y exactitud superiores al 90%, superando los resultados alcanzados por diferentes enfoques reportados en la literatura científica para la misma base de datos. Se concluye que la metodología de reducción propuesta contribuye a un clasificador más robusto y fiable con un costo computacional excepcionalmente bajo.