Detección de Neumonía en Rayos X (CheX-DS)
Pipeline modular en PyTorch que implementa CheX-DS (Ensemble de DenseNet121 y Swin Transformer) con pérdida asimétrica ponderada, logrando AUC = 0.97 y ~99% de sensibilidad en radiografías de tórax.
Resumen del Proyecto
El diagnóstico médico asistido por computadora en radiografías de tórax exige una tasa mínima de falsos negativos para evitar que pacientes enfermos sean dados de alta sin tratamiento. Este proyecto implementa un pipeline de Deep Learning de grado clínico en PyTorch basado en la arquitectura de vanguardia CheX-DS (Ensemble Learning con DenseNet121 y Swin Transformer), propuesto originalmente por Li et al. (arXiv:2505.11168).
El sistema fusiona las representaciones convolucionales locales de una red DenseNet121 con los patrones de atención contextual global de un Swin Transformer Base mediante pesos de ensamble adaptativos, mitigando el marcado desequilibrio entre clases con una función de Pérdida Asimétrica Ponderada (Weighted Asymmetric Loss).
Arquitectura Híbrida & Benchmarking de Modelos
Se implementó un protocolo experimental comparativo evaluando tres familias arquitectónicas sobre el conjunto de datos de prueba (Normal: 234, Neumonía: 390) acelerado con GPU Tesla T4:
- Simple CNN (Baseline): Modelo convolucional ligero de referencia (74.52% de exactitud, pérdida de prueba de 1.1398).
- ResNet50: Transfer learning con ResNet50V2 (86.54% de exactitud, pérdida de 0.5390 en ~16 min de entrenamiento).
- CheX-DS Ensemble: Fusión multimodal densa y convolucional alcanzando una pérdida de prueba mínima de 0.3982, un área bajo la curva AUC = 0.97 y un ~99% de Sensibilidad (Recall) en casos patológicos.
Curva ROC del ensemble CheX-DS demostrando una capacidad discriminativa sobresaliente (AUC = 0.97) en el conjunto de prueba.
Matriz de confusión en 624 radiografías de prueba confirmando la minimización crítica de falsos negativos en neumonía.
Ecosistema de Producción & Despliegue
- Interfaz Web en Streamlit (
app.py): Panel interactivo con carga de archivos DICOM/PNG/JPEG, visualización en tiempo real de probabilidades clínicas y mapeo de confianza diagnóstica. - Contenedorización en Docker: Entorno de inferencia reproducible empacado en un contenedor Docker (
docker build -t pneumonia-app .), compatible con montaje de volúmenes persistentes de pesos. - Aceleración en Google Colab: Cuaderno maestro con descarga automatizada del dataset (1.2 GB) hacia el disco scratch de alta velocidad de la instancia para eludir la latencia de red de Google Drive.