Desarrollo y validación de un sistema de apoyo diagnóstico para la detección de nódulos pulmonares en tomografía computarizada mediante aprendizaje profundo

Camilo Cifuentes; Gabriel Jaime  Duarte López; Oscar Mauricio Gelvez Lizaraso; John Monzaide Álvarez Cely

doi:10.22490/25394088.11796

Vol. 20 Núm. 2 (2026)

Publicado 29-09-2026

Licencia

Derechos de autor 2026 Publicaciones e Investigación

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Cuando PUBLICACIONES E INVESTIGACIÓN recibe la postulación de un original por parte de su autor, ya sea a través de correo electrónico o postal, considera que puede publicarse en formatos físicos y/o electrónicos y facilitar su inclusión en bases de datos, hemerotecas y demás sistemas y procesos de indexación. PUBLICACIONES E INVESTIGACIÓN autoriza la reproducción y citación del material de la revista, siempre y cuando se indique de manera explícita el nombre de la revista, los autores, el título del artículo, volumen, número y páginas. Las ideas y conceptos expresados en los artículos son responsabilidad de los autores y en ningún caso reflejan las políticas institucionales de la UNAD

Artículo de Investigación

Desarrollo y validación de un sistema de apoyo diagnóstico para la detección de nódulos pulmonares en tomografía computarizada mediante aprendizaje profundo

DOI: https://doi.org/10.22490/25394088.11796

Camilo Cifuentes Universidad Santo Tomás

Gabriel Jaime Duarte López Universidad Santo Tomás

Oscar Mauricio Gelvez Lizaraso Universidad Santo Tomás

John Monzaide Álvarez Cely Universidad Santo Tomás

Pre-print

Resumen
Referencias

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.

Palabras clave: Nódulos pulmonares, Tomografía computarizada, Aprendizaje profundo, YOLOv8, Diagnóstico asistido por computador (CAD), Detección temprana de cáncer de pulmón

[1] Organización Mundial de la Salud. (2026). Lung cancer. World Health Organization. Disponible en línea en el sitio oficial de la OMS. Consultado: 4 de junio de 2026.

[2] Organización Mundial de la Salud. (2026). Cancer. World Health Organization. Disponible en línea en el sitio oficial de la OMS. Consultado: 4 de junio de 2026.

[3] Armato, S. G., McLennan, G., Bidaut, L., McNitt-Gray, M. F., Meyer, C. R., Reeves, A. P. et al. (2011). “The Lung Image Database Consortium (LIDC) and Image Database Resource Initiative (IDRI): A completed reference database of lung nodules on CT scans”. Medical Physics, 38(2), pp. 915–931. DOI: 10.1118/1.3528204.

[4] Clark, K., Vendt, B., Smith, K., Freymann, J., Kirby, J., Koppel, P. et al. (2013). “The Cancer Imaging Archive (TCIA): Maintaining and operating a public information repository”. Journal of Digital Imaging, 26(6), pp. 1045–1057. DOI: 10.1007/s10278-013-9622-7.

[5] Setio, A. A. A., Traverso, A., de Bel, T., Berens, M. S. N., van den Bogaard, C., Cerello, P. et al. (2017). “Validation, comparison, and combination of algorithms for automatic detection of pulmonary nodules in computed tomography images: The LUNA16 challenge”. Medical Image Analysis, 42, pp. 1–13. DOI: 10.1016/j.media.2017.06.015.

[6] Ardila, D., Kiraly, A. P., Bharadwaj, S., Choi, B., Reicher, J. J., Peng, L. et al. (2019). “End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography”. Nature Medicine, 25, pp. 954–961. DOI: 10.1038/s41591-019-0447-x.

[7] Gu, Y., Lu, X., Yang, L., Zhang, B., Yu, D., Zhao, Y. et al. (2021). “A survey of computer-aided diagnosis of lung nodules from CT scans using deep learning”. Computers in Biology and Medicine, 137, 104806. DOI: 10.1016/j.compbiomed.2021.104806.

[8] Gao, C., Wu, L., Wu, W., Huang, Y., Wang, X., Sun, Z., Xu, M. y Gao, C. (2025). “Deep learning in pulmonary nodule detection and segmentation: A systematic review”. European Radiology, 35, pp. 255–266. DOI: 10.1007/s00330-024-10907-0.

[9] Ding, J., Li, A., Hu, Z. y Wang, L. (2017). “Accurate pulmonary nodule detection in computed tomography images using deep convolutional neural networks”. arXiv preprint arXiv:1706.04303.

[10] Dou, Q., Chen, H., Jin, Y., Lin, H., Qin, J. y Heng, P. A. (2017). “Automated pulmonary nodule detection via 3D ConvNets with online sample filtering and hybrid-loss residual learning”. arXiv preprint arXiv:1708.03867.

[11] He, K., Zhang, X., Ren, S. y Sun, J. (2016). “Deep residual learning for image recognition”. En: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE, pp. 770–778. DOI: 10.1109/CVPR.2016.90.

[12] Tan, M. y Le, Q. V. (2019). “EfficientNet: Rethinking model scaling for convolutional neural networks”. En: Proceedings of the 36th International Conference on Machine Learning. Proceedings of Machine Learning Research, 97, pp. 6105–6114.

[13] Lin, T. Y., Goyal, P., Girshick, R., He, K. y Dollár, P. (2017). “Focal loss for dense object detection”. En: Proceedings of the IEEE International Conference on Computer Vision. Venice: IEEE, pp. 2980–2988. DOI: 10.1109/ICCV.2017.324.

[14] Jocher, G., Chaurasia, A. y Qiu, J. (2023). Ultralytics YOLOv8. Computer software. Disponible en línea en el repositorio oficial de Ultralytics. Consultado: 4 de junio de 2026.

[15] Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G. et al. (2019). “PyTorch: An imperative style, high-performance deep learning library”. En: Advances in Neural Information Processing Systems, 32.

[16] Cardoso, M. J., Li, W., Brown, R., Ma, N., Kerfoot, E., Wang, Y. et al. (2022). “MONAI: An open-source framework for deep learning in healthcare”. arXiv preprint arXiv:2211.02701.

[17] Ronneberger, O., Fischer, P. y Brox, T. (2015). “U-Net: Convolutional networks for biomedical image segmentation”. En: Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Cham: Springer, pp. 234–241. DOI: 10.1007/978-3-319-24574-4_28.

[18] Van Ginneken, B., Setio, A. A. A., Jacobs, C. y Ciompi, F. (2015). “Off-the-shelf convolutional neural network features for pulmonary nodule detection in computed tomography scans”. En: IEEE 12th International Symposium on Biomedical Imaging. New York: IEEE, pp. 286–289. DOI: 10.1109/ISBI.2015.7163869.

Licencia

Cómo citar

Cifuentes, C., Duarte López, G. J. ., Gelvez Lizaraso, O. M., & Álvarez Cely, J. M. (2026). Desarrollo y validación de un sistema de apoyo diagnóstico para la detección de nódulos pulmonares en tomografía computarizada mediante aprendizaje profundo. Publicaciones E Investigación, 20(2). https://doi.org/10.22490/25394088.11796

Descargar cita

Almétricas