Vision Transformers y CNNs: Modelos Híbridos en Diagnóstico Médico
En el campo del diagnóstico asistido por computadora (CAD), el objetivo primordial nunca es simplemente alcanzar una métrica de precisión global (Accuracy), sino minimizar de manera estricta los falsos negativos. En una radiografía de tórax, pasar por alto un caso de neumonía o consolidación pulmonar puede tener consecuencias clínicas críticas.
Durante años, las redes convolucionales como ResNet o DenseNet han sido el estándar indiscutible. Sin embargo, con el surgimiento de los Vision Transformers (ViT), el paradigma del análisis visual ha entrado en una fase mucho más prometedora: las arquitecturas híbridas.
El dilema: Información local vs. Contexto global
Cada familia de modelos posee una ventaja intrínseca:
-
Redes Convolucionales (CNNs - DenseNet121):
- Destacan en la extracción de características locales (bordes, microtexturas, densidades opacas en los lóbulos pulmonares).
- Poseen un sesgo inductivo de invarianza traslacional, lo que las hace muy eficientes con datasets reducidos.
-
Swin Transformers (Shifted Windows):
- Mediante su mecanismo de autoatención en ventanas desplazadas, capturan dependencias de largo alcance en toda la estructura torácica.
- Permiten comprender cómo se relacionan anomalías bilaterales sin disparar el costo computacional cuadrático de los ViT originales.
La arquitectura CheX-DS
La unión de ambos enfoques en una arquitectura conjunta (CheX-DS) permite alimentar las representaciones densas de la CNN hacia los bloques de atención del Transformer.
Además, para contrarrestar el marcado desequilibrio de clases propio de los datasets clínicos, implementamos una función de pérdida asimétrica ponderada (Weighted Asymmetric Loss):
$$\mathcal{L}{\text{asym}} = - (1 - p)^{\gamma{+}} y \log(p) - \alpha p^{\gamma_{-}} (1 - y) \log(1 - p)$$
Al penalizar con mayor peso los errores sobre la clase positiva, el modelo alcanzó un 99% de sensibilidad (Recall), reduciendo drásticamente la pérdida de prueba frente a un baseline tradicional como ResNet50.
De la investigación al despliegue interactivo
Un modelo con alta precisión en investigación solo adquiere valor si es accesible. Por ello, el pipeline fue:
- Empaquetado en una interfaz interactiva con Streamlit, permitiendo a profesionales médicos cargar radiografías y visualizar mapas de calor de atención (attention rollouts).
- Contenedorizado con Docker para garantizar reproducibilidad absoluta en cualquier entorno local o en la nube.
La convergencia entre matemáticas aplicadas, formulación de pérdidas robustas y arquitecturas modernas es el camino hacia herramientas de IA verdaderamente confiables.