Potencial de YOLOv5 para detectar nódulos pulmonares en rayos x de tórax

Resumen

La radiografía de tórax es uno de los métodos más extendidos para la identificación de nódulos pulmonares. Sin embargo, son difíciles de interpretar por su bajo contraste y la cantidad de estructuras anatómicas que se superponen en la región torácica. Los sistemas de diagnóstico asistido por ordenador (CAD) incrementan la efectividad de los diagnósticos y reducen la carga laboral de los especialistas. Esta investigación propone un sistema CAD basado en inteligencia artificial, donde se emplean las radiografías de tórax para la detección de nódulos pulmonares. Se utilizó una red neuronal con empleo del método YOLO, sobre la que se aplicaron técnicas de transferencia de aprendizaje y tres estrategias de entrenamiento. Se crearon conjuntos de imágenes a partir de cuatro bases de datos internacionales. La red fue entrenada y validada, y para el mejor modelo obtenido se realizó una prueba externa, a partir de una quinta base de datos de alta dificultad, de diferente origen a las anteriores. El mejor modelo se obtuvo con el entrenamiento para el conjunto de imágenes segmentadas, incluyendo al área del mediastino, con una sensibilidad del 68% en la prueba externa, comparable con algunos resultados de estudios previos. Este enfoque presenta, además de su potencial, la ventaja de poder visualizar y filtrar la confianza del modelo.