Desarrollo de una solución en la nube basada en arquitectura Big Data y redes neuronales para la clasificación de tumores cerebrales en imágenes de resonancia magnética (MRI)

Abstract

La detección y clasificación de tumores cerebrales en imágenes de resonancia magnética (MRI) constituye un reto clínico y operativo para los sistemas de salud pública, debido al aumento sostenido en la demanda, la variabilidad interobservador y las limitaciones para procesar grandes volúmenes de estudios. En Costa Rica, la problemática es especialmente crítica en la Caja Costarricense de Seguro Social (CCSS). El Centro Nacional de Imágenes Médicas realiza cerca de 2.970 resonancias al mes, mientras persisten demoras tanto en la realización del estudio como en su interpretación. Según la Auditoría Interna de la CCSS, los pacientes oncológicos esperan en promedio 115 días para acceder a una resonancia, con casos de hasta 648 días, y a diciembre de 2025 se registraban 11.570 estudios pendientes de lectura, con retrasos de hasta 570 días en estudios de cerebro y cuello (Segura, 2026). Frente a este panorama, se desarrolló y evaluó un sistema de diagnóstico asistido por computadora basado en inteligencia artificial para clasificación multiclase de tumores cerebrales. Se compararon dos arquitecturas representativas, EfficientNet V2 B0 y Vision Transformer (ViT-B16), así como tres estrategias de ensamble basadas en fusión de probabilidades. Los modelos se entrenaron con 4.478 imágenes públicas agrupadas en 44 categorías y se evaluaron sobre un conjunto de prueba independiente (n = 896). EfficientNet V2 B0 alcanzó una exactitud de 92,52% (F1-score ponderado = 0,9250; MCC = 0,9222). Los mejores resultados globales se obtuvieron con el ensamble por promedio ponderado, con 93,30% de exactitud, F1-score ponderado de 0,9327 y MCC de 0,9304. En suma, los resultados aportan evidencia de que la combinación ponderada de arquitecturas complementarias puede mejorar el desempeño y la robustez en un escenario de 44 clases y desbalance interclase. Estos hallazgos respaldan la aplicabilidad potencial de sistemas de apoyo basados en IA en entornos de salud pública como la CCSS, donde podrían contribuir a estandarizar la clasificación y facilitar la priorización de estudios.