Development and validation of a deep learning-based diagnostic support system for pulmonary nodule detection in computed tomography

El cáncer de pulmón continúa siendo la principal causa de mortalidad por cáncer a nivel mundial, con aproximadamente 2,5 millones de casos nuevos y 1,8 millones de fallecimientos en 2022. La detección temprana de nódulos pulmonares en tomografía computarizada (TC) mejora significativamente las tasas de supervivencia, pero el análisis manual de cientos de cortes por estudio representa una carga asistencial considerable y conlleva riesgo de omisión de lesiones pequeñas. El presente artículo tiene como objetivo describir el desarrollo y validación de un sistema informático de apoyo diagnóstico para la detección de nódulos pulmonares en imágenes de TC mediante técnicas de aprendizaje profundo. La investigación se desarrolló como un estudio aplicado y experimental utilizando las bases de datos públicas LUNA16 y LIDC-IDRI (888 estudios tomográficos). Se implementó un flujo ETL que incluyó normalización de imágenes, preparación de cortes y partición por paciente para evitar fugas de información. Se evaluaron comparativamente arquitecturas de clasificación (ResNet18, EfficientNet-B0) y un sistema final YOLOv8 Triple Ensemble con supresión no máxima tridimensional. Los resultados evidenciaron que el enfoque por paciente ofrece mayor utilidad clínica que la evaluación aislada por corte. El sistema final alcanzó, a nivel de paciente, una exactitud de 93,26%, sensibilidad de 94,59%, especificidad de 91,04%, F1-score de 94,59% y AUC de 0,928, superando el rendimiento reportado por sistemas CAD convencionales y aproximándose a los resultados de arquitecturas tridimensionales especializadas. Se concluye que la herramienta desarrollada muestra potencial como apoyo experimental para priorizar estudios sospechosos, aunque requiere validación clínica externa antes de su uso asistencial.