Clasificación multietiqueta de radiografías de tórax con DenseNet-121

Problema

Una radiografía de tórax puede mostrar varias patologías a la vez, o ninguna. ChestMNIST, derivado de NIH ChestX-ray14, reúne 112.120 radiografías etiquetadas con 14 patologías: atelectasia, cardiomegalia, derrame, infiltración, masa, nódulo, neumonía, neumotórax, consolidación, edema, enfisema, fibrosis, engrosamiento pleural y hernia. Es un problema multietiqueta: para cada imagen, el modelo decide por separado si cada patología está presente.

Diez radiografías de tórax del conjunto de entrenamiento a 224 × 224 píxeles. Seis están etiquetadas como sanas y cuatro con una o varias patologías, como infiltración y nódulo, o neumotórax. — Muestras del conjunto de entrenamiento a 224 × 224 px. Una misma imagen puede tener hasta cuatro etiquetas (segunda fila).

La dificultad está en el desbalance. El 53,9 % de las imágenes no tiene ningún hallazgo y algunas clases son muy raras (hernia: 0,2 %). Un modelo que responda siempre «sano» acierta más del 90 % de las etiquetas y no detecta nada. Por eso la exactitud no sirve como métrica principal y el trabajo se evalúa con AUC-ROC, F1 y precisión equilibrada.

Gráfico de barras con la prevalencia de cada patología. Sin hallazgos: 53,9 %. Infiltración: 17,7 %. Derrame: 11,9 %. Atelectasia: 10,3 %. El resto, por debajo del 6 %, con la hernia en el 0,2 %. — Prevalencia de cada patología en todo el conjunto. Más de la mitad de las radiografías no tiene hallazgos.

Mi contribución

Proyecto individual para la asignatura Aplicaciones de Reconocimiento de Formas y Aprendizaje Automático:

Análisis exploratorio: distribución de etiquetas, número de patologías por imagen y efecto de la resolución.
Estudio experimental en el que cambio un factor cada vez: resolución, función de pérdida, arquitectura, aumento de datos y ajuste fino frente a codificador congelado.
Pipeline final empaquetado en Python, con una etapa por módulo, rutas relativas a la raíz del proyecto, logs con marca de tiempo y dependencias fijadas.
Calibración de umbrales por patología y explicabilidad con Grad-CAM++.

Enfoque técnico

La línea base es una ResNet-50 preentrenada en ImageNet con ajuste fino completo, BCE y entrada de 224 px. A partir de ahí comparé cada decisión por separado y me quedé con lo que funcionaba:

Resolución: 224 px supera a 128 px (+0,018 de AUC). Los hallazgos pequeños, como nódulos, necesitan detalle.
Pérdida: la Asymmetric Loss (ASL) da más peso a los positivos y reduce el de los negativos fáciles, que son la inmensa mayoría.
Arquitectura: DenseNet-121, la misma familia que CheXNet, rinde algo mejor que ResNet-50.
Aumento de datos: rotaciones, traslaciones y volteo horizontal con MONAI. Es el cambio individual con más efecto.
Ajuste fino: congelar el codificador hunde la AUC a 0,74. Las características de ImageNet no bastan; hay que adaptar toda la red a las radiografías.

Búsqueda de hiperparámetrosOptuna: 25 ensayos con TPE y poda por medianaAUC val. 0,841
EntrenamientoDenseNet-121 + ASL + aumento de datos, con early stoppingmáx. 30 épocas
Calibración de umbralesUn umbral por patología, elegido en validación entre 6 estrategias
Evaluación en testAUC, F1, Hamming, exactitud exacta y precisión equilibrada
ExplicabilidadGrad-CAM++ sobre el último bloque densodenseblock4

Pipeline final. Cada etapa se ejecuta por separado o todas seguidas con python -m src.pipelines.pipeline_final.

Optuna ajusta a la vez la tasa de aprendizaje, el tamaño de lote, el weight decay, el planificador, los tres parámetros de la ASL y la intensidad de los aumentos.

Izquierda: AUC de validación de los 25 ensayos de Optuna, con la mejor acumulada en 0,841 desde el ensayo 15. Derecha: importancia relativa de cada hiperparámetro, encabezada por la tasa de aprendizaje con un 45 %. — Búsqueda de hiperparámetros. La tasa de aprendizaje explica casi la mitad de la variación (≈ 45 %), seguida del weight decay y del γ de los negativos de la ASL.

La pérdida asimétrica es el núcleo del entrenamiento. Usa un exponente γ distinto para positivos y negativos y desplaza las probabilidades de los negativos para descartar los más fáciles:

# src/models/losses.py — AsymmetricLoss.forward (simplificado)
xs_pos = torch.sigmoid(x)
# Desplaza los negativos: los muy fáciles dejan de contar
xs_neg = (1 - xs_pos + self.clip).clamp(max=1)
loss = y * torch.log(xs_pos.clamp(min=self.eps)) \
     + (1 - y) * torch.log(xs_neg.clamp(min=self.eps))
pt = xs_pos * y + xs_neg * (1 - y)
# Exponente γ distinto para positivos y negativos
gamma = self.gamma_pos * y + self.gamma_neg * (1 - y)
loss *= torch.pow(1 - pt, gamma)
return -loss.mean()

Resultados

ResNet-50 a 128 px0,807
Línea base: ResNet-50 a 224 px0,825
BCE ponderada0,817
Focal loss0,823
Asymmetric loss0,826
DenseNet-1210,827
Aumento de datos0,837
Codificador congelado0,736
Pipeline final (DenseNet-121 + ASL + aumentos + Optuna)0,830

Escala de 0,70 a 0,85

AUC-ROC macro en test de cada variante. Salvo el pipeline final, cada fila cambia un solo factor respecto a la línea base (ResNet-50, 224 px, BCE). Solo congelar el codificador hunde el rendimiento; el resto queda entre 0,82 y 0,84.

Métrica en test	Línea base	Pipeline final
AUC-ROC macro	0,8245	0,8296
F1 macro	0,2721	0,3075
Exactitud exacta (todas las etiquetas bien)	0,3570	0,3901
Hamming score	0,9102	0,9139
Precisión equilibrada media	0,6513	0,6577

El pipeline final mejora a la línea base sobre todo en F1 macro (+0,035) y en imágenes con todas las etiquetas correctas (+3,3 puntos). En AUC, las mejores variantes están a centésimas unas de otras, lo mismo que separa dos ejecuciones del propio pipeline final (0,8296 en la del repositorio y 0,8361 en la de la presentación). Con esa variación, el valor del pipeline no está en una décima más: está en que todo el proceso es reproducible con un comando.

El resultado está a la altura del estado del arte en ChestMNIST: supera a las referencias oficiales de MedMNIST v2 (ResNet-50 a 224 px: 0,773) y se acerca a lo publicado con modelos fundacionales (0,835).

Elegir el umbral es una decisión clínica

Con 14 salidas probabilísticas hay que decidir a partir de qué valor se da cada patología por presente. El código compara seis estrategias en validación y elige la de mayor F1 macro:

Estrategia (validación)	F1 macro	Casos no detectados	Falsas alarmas
Youden por patología	0,229	2.229	31.555
Umbral global óptimo (0,38)	0,269	3.570	11.359
F1 por patología (elegida)	0,314	4.056	9.376
Umbral fijo 0,5	0,204	5.943	2.416

La tabla muestra el compromiso: el umbral fijo de 0,5 apenas da falsas alarmas, pero no detecta casi 6.000 hallazgos. En un cribado, donde un caso perdido cuesta más que una revisión extra, convendría Youden aunque baje el F1. Es una decisión que se toma con el equipo clínico, no un valor por defecto.

Curvas ROC en test para las 14 patologías, con AUC macro de 0,8296. Las mejores son enfisema (0,915) y cardiomegalia (0,909) y la peor, infiltración (0,702). — Curvas ROC en test por patología. Enfisema (0,915) y cardiomegalia (0,909) son las más separables; infiltración (0,702), la más difícil.

Izquierda: matriz de confusión global normalizada con 0,938 de negativos acertados y 0,485 de positivos detectados. Derecha: barras de AUC y F1 por patología; el F1 es mucho menor que la AUC en las clases raras, como neumonía y hernia. — Matriz de confusión global (izquierda) y AUC frente a F1 por patología (derecha). Las clases raras ordenan bien los casos (AUC alta), pero con tan pocos positivos su F1 es bajo.

Qué mira el modelo

Grad-CAM++ calcula, para una patología, qué zonas de la imagen han pesado más en la predicción. Sirve para comprobar que el modelo se fija en los pulmones y no en marcas, cables o texto de la placa.

Cuatro radiografías con enfisema y, debajo, sus mapas de calor Grad-CAM++. La zona roja, de máxima atención, cae sobre los campos pulmonares y el mediastino. — Enfisema detectado en cuatro radiografías de test. La atención (en rojo) cae sobre los campos pulmonares. En verde, predicciones exactas; en rojo, enfisema bien detectado pero con una etiqueta de más.

Cuatro falsos positivos con sus mapas Grad-CAM++. En los dos primeros, el modelo predice enfisema y la activación se extiende sobre la burbuja de aire del estómago, bajo el diafragma. — Falsos positivos. En los dos primeros casos, la activación se extiende sobre la burbuja de aire gástrica bajo el diafragma: una pista de qué confunde al modelo con el enfisema.

Limitaciones:

El F1 de las clases raras sigue siendo bajo (neumonía 0,08; hernia 0,11): con tan pocos positivos, cualquier umbral produce muchas falsas alarmas.
Cada variante se entrenó una vez, con una partición y una semilla. Las diferencias de centésimas no son concluyentes.
Las etiquetas de ChestX-ray14 se extrajeron automáticamente de los informes radiológicos y tienen ruido.
A 224 px queda por debajo de modelos entrenados con la resolución original de NIH ChestX-ray14 (p. ej., 0,853 de AUC con una DenseNet-121).

Evidencias

Repositorio con el código, los logs de cada ejecución y las métricas finales en JSON (results/).
Presentación con el estudio completo: estado del arte, ablaciones y explicabilidad.
Para reproducirlo: pip install -r requirements.txt && pip install -e . y después python -m src.pipelines.pipeline_final.

Aplicación profesional

Clasificadores multietiqueta con clases desbalanceadas: imagen médica, inspección industrial con varios defectos por pieza o etiquetado de contenido.
Fijar umbrales según el coste real de cada tipo de error, en lugar de usar 0,5 por defecto.
Auditar con mapas de explicabilidad un modelo de visión antes de ponerlo en manos de usuarios.