Técnicas de balance de datos para optimizar el rendimiento de modelos de aprendizaje profundo en clasificación de radiografías torácicas

Abstract

En el ámbito de la medicina, los conjuntos de datos suelen presentar un desequilibrio de clases, afectando negativamente el rendimiento de los modelos de aprendizaje profundo al priorizar las clases mayoritarias y reducir la detección de enfermedades menos frecuentes. El presente estudio tuvo como objetivo mejorar el rendimiento de los modelos de clasificación de imágenes radiográficas torácicas mediante técnicas de balanceo de datos. Para abordar este problema, se evaluaron diversas estrategias bajo un diseño cuasi-experimental. Primero, se utilizó una red generativa antagónica basada en la distancia de Wasserstein con penalización del gradiente (WGAN-GP) para generar datos sintéticos y equilibrar la distribución de clases. Además, se implementaron funciones de pérdida sensibles a costos como: pérdida focal (focal loss), entropía cruzada ponderada y balanceada (BWCCE) y pérdida de margen consciente de la distribución de etiquetas (LDAM); y métodos híbridos para mejorar el aprendizaje de las clases minoritarias. El impacto se midió utilizando métricas de sensibilidad, especificidad y área bajo la curva de característica operativa del receptor (AUC-ROC), priorizando la capacidad discriminativa sobre la exactitud global. Los resultados demostraron que el modelo entrenado con datos generados por WGAN-GP (Escenario 5) fue el más efectivo, logrando un AUC-ROC de 0.9837. Esta técnica mejoró la especificidad (detección de la clase minoritaria) del 84.81% (línea base) al 91.77%, manteniendo una alta sensibilidad del 95.33% para la detección de neumonía. Se concluye que el balanceo a nivel de datos mediante red generativa antagónica (GAN) es superior a las técnicas algorítmicas e híbridas en este contexto, logrando imágenes sintéticas de alta fidelidad con una distancia de incepción de Fréchet (FID) de 48.95 que mitigan el sesgo hacia la clase mayoritaria y optimizan la confiabilidad del diagnóstico asistido.