Una arquitectura de análisis de imágenes seriadas con la tomografía por emisión de positrones mediante la aplicación de machine learning combinado para la detección del cáncer de pulmón | Revista Española de Medicina Nuclear e Imagen Molecular

array:23 ["pii" => "S2253654X24000076" "issn" => "2253654X" "doi" => "10.1016/j.remn.2024.500003" "estado" => "S300" "fechaPublicacion" => "2024-05-01" "aid" => "500003" "copyright" => "Sociedad Española de Medicina Nuclear e Imagen Molecular" "copyrightAnyo" => "2024" "documento" => "article" "crossmark" => 1 "subdocumento" => "fla" "cita" => "Rev Esp Med Nucl Imagen Mol. 2024;43:" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "Traduccion" => array:1 [ "en" => array:19 [ "pii" => "S2253808924000193" "issn" => "22538089" "doi" => "10.1016/j.remnie.2024.500003" "estado" => "S300" "fechaPublicacion" => "2024-05-01" "aid" => "500003" "copyright" => "Sociedad Española de Medicina Nuclear e Imagen Molecular" "documento" => "article" "crossmark" => 1 "subdocumento" => "fla" "cita" => "Rev Esp Med Nucl Imagen Mol. 2024;43:" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "en" => array:12 [ "idiomaDefecto" => true "cabecera" => "Original Article" "titulo" => "A serial image analysis architecture with positron emission tomography using machine learning combined for the detection of lung cancer" "tienePdf" => "en" "tieneTextoCompleto" => "en" "tieneResumen" => array:2 [ 0 => "en" 1 => "es" ] "titulosAlternativos" => array:1 [ "es" => array:1 [ "titulo" => "Una arquitectura de análisis de imágenes seriadas con la tomografía por emisión de positrones mediante la aplicación de machine learning combinado para la detección del cáncer de pulmón" ] ] "contieneResumen" => array:2 [ "en" => true "es" => true ] "contieneTextoCompleto" => array:1 [ "en" => true ] "contienePdf" => array:1 [ "en" => true ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:8 [ "identificador" => "fig0015" "etiqueta" => "Figure 3" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr3.jpeg" "Alto" => 1382 "Ancho" => 1909 "Tamanyo" => 95901 ] ] "detalles" => array:1 [ 0 => array:3 [ "identificador" => "at0030" "detalle" => "Figure " "rol" => "short" ] ] "descripcion" => array:1 [ "en" => "Confusion matrix for the AdaBoost model." ] ] ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "S. Guzmán Ortiz, R. Hurtado Ortiz, A. Jara Gavilanes, R. Ávila Faican, B. Parra Zambrano" "autores" => array:5 [ 0 => array:2 [ "nombre" => "S." "apellidos" => "Guzmán Ortiz" ] 1 => array:2 [ "nombre" => "R." "apellidos" => "Hurtado Ortiz" ] 2 => array:2 [ "nombre" => "A." "apellidos" => "Jara Gavilanes" ] 3 => array:2 [ "nombre" => "R." "apellidos" => "Ávila Faican" ] 4 => array:2 [ "nombre" => "B." "apellidos" => "Parra Zambrano" ] ] ] ] ] "idiomaDefecto" => "en" "Traduccion" => array:1 [ "es" => array:9 [ "pii" => "S2253654X24000076" "doi" => "10.1016/j.remn.2024.500003" "estado" => "S300" "subdocumento" => "" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "idiomaDefecto" => "es" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2253654X24000076?idApp=UINPBA00004N" ] ] "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2253808924000193?idApp=UINPBA00004N" "url" => "/22538089/0000004300000003/v3_202408071237/S2253808924000193/v3_202408071237/en/main.assets" ] ] "itemSiguiente" => array:18 [ "pii" => "S2253654X24000088" "issn" => "2253654X" "doi" => "10.1016/j.remn.2024.500004" "estado" => "S300" "fechaPublicacion" => "2024-05-01" "aid" => "500004" "copyright" => "Sociedad Española de Medicina Nuclear e Imagen Molecular" "documento" => "article" "crossmark" => 1 "subdocumento" => "fla" "cita" => "Rev Esp Med Nucl Imagen Mol. 2024;43:" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "es" => array:12 [ "idiomaDefecto" => true "cabecera" => "Original" "titulo" => "Controversia en la estadificación inicial ganglionar del cáncer de recto (¿RM o PET/TC?)" "tienePdf" => "es" "tieneTextoCompleto" => "es" "tieneResumen" => array:2 [ 0 => "es" 1 => "en" ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Controversy in the initial nodal staging of rectal cancer (MRI or PET/CT?)" ] ] "contieneResumen" => array:2 [ "es" => true "en" => true ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:7 [ "identificador" => "fig0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 929 "Ancho" => 3175 "Tamanyo" => 250024 ] ] "descripcion" => array:1 [ "es" => "Estudio de estadificación inicial de un paciente con cáncer rectal. A)Corte axial de RM pélvica en secuencia T2; la flecha señala un ganglio linfático mesorrectal izquierdo sospechoso. Se identificaron otros dos ganglios locorregionales, considerándose un estadio N1b. B)Imagen PET con 18F-FDG y C)corte PET/TC de fusión; la flecha señala un ganglio linfático mesorrectal sin captación de 18F-FDG. No se identificaron ganglios locorregionales patológicos, clasificándose como un estadio N0. El estudio histopatológico identificó 24 ganglios sin evidencia de metástasis (N0)." ] ] ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "E. López Llobet, M. Coronado Poggio, C. Lancha Hernández, C. Martín Hervás, D. Travaglio Morales, D. Monachello Araujo, S. Rodado Marina, L. Domínguez Gadea" "autores" => array:8 [ 0 => array:2 [ "nombre" => "E. López" "apellidos" => "Llobet" ] 1 => array:2 [ "nombre" => "M. Coronado" "apellidos" => "Poggio" ] 2 => array:2 [ "nombre" => "C. Lancha" "apellidos" => "Hernández" ] 3 => array:2 [ "nombre" => "C. Martín" "apellidos" => "Hervás" ] 4 => array:2 [ "nombre" => "D. Travaglio" "apellidos" => "Morales" ] 5 => array:2 [ "nombre" => "D. Monachello" "apellidos" => "Araujo" ] 6 => array:2 [ "nombre" => "S. Rodado" "apellidos" => "Marina" ] 7 => array:2 [ "nombre" => "L. Domínguez" "apellidos" => "Gadea" ] ] ] ] ] "idiomaDefecto" => "es" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2253654X24000088?idApp=UINPBA00004N" "url" => "/2253654X/0000004300000003/v1_202405210528/S2253654X24000088/v1_202405210528/es/main.assets" ] "es" => array:18 [ "idiomaDefecto" => true "cabecera" => "Original" "titulo" => "Una arquitectura de análisis de imágenes seriadas con la tomografía por emisión de positrones mediante la aplicación de machine learning combinado para la detección del cáncer de pulmón" "tieneTextoCompleto" => true "autores" => array:1 [ 0 => array:4 [ "autoresLista" => "S. Guzmán Ortiz, R. Hurtado Ortiz, A. Jara Gavilanes, R. Ávila Faican, B. Parra Zambrano" "autores" => array:5 [ 0 => array:4 [ "nombre" => "S." "apellidos" => "Guzmán Ortiz" "email" => array:1 [ 0 => "estefany--go@hotmail.com" ] "referencia" => array:2 [ 0 => array:2 [ "etiqueta" => "a" "identificador" => "aff0005" ] 1 => array:2 [ "etiqueta" => "*" "identificador" => "cor0005" ] ] ] 1 => array:3 [ "nombre" => "R." "apellidos" => "Hurtado Ortiz" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "b" "identificador" => "aff0010" ] ] ] 2 => array:3 [ "nombre" => "A." "apellidos" => "Jara Gavilanes" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "b" "identificador" => "aff0010" ] ] ] 3 => array:3 [ "nombre" => "R." "apellidos" => "Ávila Faican" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "b" "identificador" => "aff0010" ] ] ] 4 => array:3 [ "nombre" => "B." "apellidos" => "Parra Zambrano" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "b" "identificador" => "aff0010" ] ] ] ] "afiliaciones" => array:2 [ 0 => array:3 [ "entidad" => "Servicio de Medicina Nuclear, Hospital Universitario General de Toledo, Toledo, España" "etiqueta" => "a" "identificador" => "aff0005" ] 1 => array:3 [ "entidad" => "Grupo de investigación en Inteligencia Artificial y Tecnologías de Asistencia (GI-IATA), Universidad Politécnica Salesiana, Cuenca, Azuay, Ecuador" "etiqueta" => "b" "identificador" => "aff0010" ] ] "correspondencia" => array:1 [ 0 => array:3 [ "identificador" => "cor0005" "etiqueta" => "⁎" "correspondencia" => "Autor para correspondencia." ] ] ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "A serial image analysis architecture with positron emission tomography using machine learning combined for the detection of lung cancer" ] ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:7 [ "identificador" => "fig0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 2800 "Ancho" => 2508 "Tamanyo" => 407617 ] ] "descripcion" => array:1 [ "es" => "Arquitectura de análisis de imágenes (PET/TC) ordenada en fases mediante machine learning combinado." ] ] ] "textoCompleto" => "IntroducciónEl cáncer de pulmón es uno de los tumores más comunes y mortales en todo el mundo. Representa el segundo tipo de cáncer con mayor tasa de incidencia y el primero de mortalidad en el mundo. En España se diagnosticaron alrededor de 31.282 nuevos casos de cáncer de pulmón en el año 2023. La detección temprana del cáncer de pulmón es crucial para mejorar las tasas de supervivencia y reducir la mortalidad<a class="elsevierStyleCrossRef" href="#bib0045">1</a>.Actualmente, la tomografía por emisión de positrones (PET) marcada con un radiofármaco análogo de la glucosa, denominado 2-[18F]fluoro-2-desoxi-D-glucosa (18F-FDG), ha demostrado ser de gran utilidad para la detección precoz del cáncer de pulmón, debido a que las células tumorales presentan una elevada tasa de glucólisis, un mayor número de proteínas GLUT secundario a una activación de los genes que los codifican y una hiperactividad de algunas de las enzimas, como la hexoquinasa, la piruvato deshidrogenasa y la fosfofructoquinasa. Este radiofármaco se introduce en el paciente por vía intravenosa, se transporta al interior de las células por los mismos transportadores que la glucosa no marcada: transportadores sodio-glucosa y los GLUT, a través de las membranas que permiten el paso de glucosa mediante transferencia pasiva y difusión facilitada. Una vez en el espacio intracelular es fosforilado por la hexoquinasa a 18F-FDG-6-fosfato, que, a diferencia de su análogo no marcado, no puede continuar en la vía del metabolismo energético, quedando atrapada en células metabólicamente activas sin poder ser metabolizada por las vías de la glucólisis o de la síntesis de glucógeno, permitiendo la detección de las células tumorales<a class="elsevierStyleCrossRefs" href="#bib0050">2,3</a>.El aprendizaje automático o machine learning a través del análisis de pruebas de imagen como la tomografía por emisión de positrones/tomografía computarizada (PET/TC) se ha convertido en una herramienta prometedora para la detección temprana y precisa del cáncer de pulmón. El reciente desarrollo de tecnologías de imagen y secuenciación permite avances sistemáticos en el estudio clínico del cáncer de pulmón. Los enfoques basados en el aprendizaje automático desempeñan un papel fundamental en la integración y el análisis de estos conjuntos de datos grandes y complejos, que han caracterizado ampliamente el cáncer de pulmón mediante el uso de diferentes perspectivas de estos datos acumulados. La mente humana está limitada en el manejo efectivo y la utilización completa de la acumulación de cantidades tan enormes de datos, por lo que los modelos de aprendizaje automático tienen un gran potencial de ayudar a los médicos a diagnosticar tempranamente y a tomar decisiones personalizadas sobre aspectos como el tratamiento y el seguimiento en los pacientes con cáncer de pulmón<a class="elsevierStyleCrossRefs" href="#bib0060">4,5</a>.La idea fundamental y la ventaja de los métodos combinados de machine learning o ensemble radican en mejorar el rendimiento predictivo y la estabilidad del modelo al combinar las predicciones de múltiples modelos base. En lugar de depender de un único modelo, los métodos ensemble utilizan un conjunto de modelos para realizar predicciones. Esta estrategia aborda la variabilidad y el sesgo inherentes a un solo modelo, resultando en una mejora general en el rendimiento. Además, los métodos combinados o ensemble mitigan el riesgo de sobreajuste o sobreentrenamiento (overfitting) al ser más robustos y capaces de compensar los errores individuales de cada modelo. La diversidad entre los modelos base, lograda mediante diferentes algoritmos, conjuntos de datos y configuraciones, permite abordar una amplia gama de aspectos y complejidades de los datos. La versatilidad de los métodos combinados se destaca al aplicarse a diversos algoritmos de machine learning, como árboles de decisión, máquinas de soporte vectorial y redes neuronales, aprovechando así las fortalezas de diferentes enfoques. La estabilidad de los métodos combinados o ensemble, al considerar múltiples perspectivas y enfoques, contribuye a su eficacia y al buen rendimiento en diversos conjuntos de datos.Por lo tanto, el objetivo de este estudio fue plantear una arquitectura de análisis de imágenes (PET/TC) ordenada en fases mediante la aplicación de métodos de machine learning ensemble o combinado para la detección temprana del cáncer de pulmón analizando imágenes PET/TC.Material y métodoDiseño del estudioSe realizó un estudio retrospectivo de observación.HipótesisLa implementación de una arquitectura de análisis de imágenes PET/TC organizada en fases, mediante la aplicación de métodos combinados de machine learning o ensemble, permitirá mejorar significativamente la detección temprana del cáncer de pulmón. Al dividir el proceso en fases, como la recolección y la selección de imágenes, la transformación de imágenes y el balanceo de distribución de frecuencia de clases, se facilitará la integración de modelos base diversos en un ensemble. Los métodos combinados, como el Stacking y el Boosting, contribuirán a mejorar el rendimiento general del sistema, reducir el riesgo de sobreajuste y manejar la diversidad inherente a las imágenes médicas. Se espera que esta arquitectura optimizada proporcione resultados más robustos y eficientes para la detección precoz del cáncer de pulmón, contribuyendo así a avances significativos en la atención médica y la mejora de los resultados clínicos.Población de estudioSe incluyó pacientes diagnosticados con cáncer de pulmón incluidos en una base de datos pública «A large-scale CT and PET/CT dataset for lung cancer diagnosis»<a class="elsevierStyleCrossRef" href="#bib0070">6</a>, la cual se encuentra disponible en la página The Cancer Imaging Archive (https://www.cancerimagingarchive.net)<a class="elsevierStyleCrossRef" href="#bib0075">7</a>.El estudio incluyó un total de 129 pacientes en el conjunto de datos (los que tienen PET/TC). Dentro de estos pacientes, se observaron tres variables diferentes según la histología del tumor. Se identificaron 103 pacientes con adenocarcinoma, 19 pacientes con carcinoma escamoso y 7 pacientes con carcinoma de células pequeñas de pulmón.Los criterios de inclusión fueron:<ul class="elsevierStyleList" id="lis0005"><li class="elsevierStyleListItem" id="lsti0005">-Cáncer de pulmón confirmado histológicamente.</li><li class="elsevierStyleListItem" id="lsti0010">-Poseer una 18F-FDG PET/TC basal.</li></ul>Los criterios de exclusión fueron:<ul class="elsevierStyleList" id="lis0010"><li class="elsevierStyleListItem" id="lsti0015">-Antecedentes de otra neoplasia maligna concomitante.</li><li class="elsevierStyleListItem" id="lsti0020">-Poseer únicamente una TC basal.</li></ul>Balanceo del conjunto de datosSe procedió a realizar un balance del conjunto de datos para evitar el desequilibrio entre los mismos, es decir, si había una clase que tenía más pacientes que otra, el modelo podía aprender a predecir la clase mayoritaria con mayor precisión y dejar de lado la clase minoritaria, pudiendo ser un modelo inútil para la clase minoritaria o incluso perjudicial si la clase minoritaria era importante. Por lo tanto, al balancear el conjunto de datos se aseguró que todas las clases se traten por igual y se garantizó que el modelo tenga un rendimiento equilibrado en todas las clases.Después de aplicar el balanceo de datos, se logró tener un grupo de 309 pacientes en total, con 103 pacientes en cada una de las tres categorías. El balanceo de datos es una técnica esencial en la que igualamos la cantidad de muestras en cada categoría dentro de nuestro conjunto de datos. Esto es fundamental para evitar que nuestro modelo de aprendizaje automático tenga un sesgo hacia las categorías más numerosas y, en consecuencia, no pueda aprender de manera adecuada de las categorías minoritarias. En nuestro caso, hemos aplicado esta técnica para asegurarnos de que haya una cantidad uniforme de pacientes en cada categoría, resultando en 103 pacientes por cada categoría y un total de 309 pacientes en el conjunto de datos.Técnicas de estudio. Radiotrazador, protocolo de imagen utilizada en la base de datos públicaLos pacientes se sometieron a un ayuno de al menos 6horas y con un registro del nivel de glucemia inferior a 11mmol/l.Posteriormente se administró a través de una inyección vía intravenosa el radiofármaco 18Fluor-Fluorodesoxiglucosa (18F-FDG) (4,44MBq/kg, 0,12mCi/kg). Se proporcionó 18F-FDG con una pureza radioquímica del 95%.La adquisición del PET/TC se realizó a los 60minutos después de la inyección intravenosa. A los pacientes se les permitió respirar normalmente durante las adquisiciones de PET y TC. La corrección de atenuación de las imágenes de PET se realizó utilizando datos de TC con el método de segmentación híbrida. Las correcciones de atenuación se realizaron utilizando un protocolo TC (180mAs, 120kV, 1,0paso). Cada estudio comprendía un volumen de TC, un volumen de PET e imágenes fusionadas de PET y TC: la resolución de TC fue de 512 ×512 píxeles a 1mm ×1mm, la resolución de PET fue de 200 ×200 píxeles a 4,07mm ×4,07mm, con un grosor de corte y una distancia entre cortes de 1mm. Ambos volúmenes fueron reconstruidos con el mismo número de cortes. Se adquirieron imágenes de emisión y transmisión tridimensionales (3D) desde la base del cráneo hasta la mitad del fémur en posición supina. Las imágenes PET se reconstruyeron mediante el método TrueX TOF con un espesor de corte de 1mm.Fases de la arquitectura de este estudioLas fases de la arquitectura de este estudio fueron las siguientes:<ul class="elsevierStyleList" id="lis0015"><li class="elsevierStyleListItem" id="lsti0025">1.Carga o recolección de imágenes. Hace referencia al conjunto de imágenes con el cual se procedió a aplicar los diferentes modelos de ensamble. El proceso de recolección de datos también se conoce como data gathering.</li><li class="elsevierStyleListItem" id="lsti0030">2.Selección de imágenes. Se seleccionó solamente los estudios PET/TC, en los que se enfoca este trabajo.</li><li class="elsevierStyleListItem" id="lsti0035">3.Transformación de imágenes. Las imágenes se transformaron o aplanaron en estructuras adecuadas para la entrada a los modelos de aprendizaje, quedando cada imagen como un vector de una dimensión. Esto fue necesario para la aplicación de los algoritmos de machine learning clásico y combinado. Este proceso de aplanamiento también se conoce como image flattening.</li><li class="elsevierStyleListItem" id="lsti0040">4.Balanceo de distribución de frecuencia de clases de imágenes. Las clases fueron balanceadas para evitar que los modelos tiendan a predecir solamente la clase mayoritaria para conseguir resultados óptimos en esta investigación. Esto se logró mediante técnicas de data augmentation, o aumento de datos. Este proceso también se conoce como data balancing.</li><li class="elsevierStyleListItem" id="lsti0045">5.Stacking model. Se utilizó un modelo Random Forest y una Máquina de Soporte Vectorial (Support Vector Machine [SVM]) como modelos base, para luego complementarlos con una regresión logística como modelo final.</li><li class="elsevierStyleListItem" id="lsti0050">6.Boosting model. Se empleó un modelo Adaptive Boosting(AdaBoost) para ser comparado con el anterior modelo.</li><li class="elsevierStyleListItem" id="lsti0055">7.Comparación de modelos y presentación de resultados. Se compararon los dos modelos previamente descritos para seleccionar el modelo que obtuvo los mejores resultados.</li></ul>En la <a class="elsevierStyleCrossRef" href="#fig0005">figura 1</a> se muestra el proceso de la arquitectura en fases para el diagnóstico.<elsevierMultimedia ident="fig0005"></elsevierMultimedia>Modelos de predicciónLos modelos predictivos utilizados fueron el modelo Stacking y el modelo Boosting.El modelo Stacking utilizó como modelos base al modelo Random Forest y el modelo de la SVM, para luego complementarlo con una regresión logística como modelo final.El modelo Boosting utilizó el modelo AdaBoost para ser comparado con el modelo Stacking. En la <a class="elsevierStyleCrossRef" href="#tbl0005">tabla 1</a> se describen los modelos utilizados en este estudio.<elsevierMultimedia ident="tbl0005"></elsevierMultimedia>Los parámetros de la SVM fueron:<ul class="elsevierStyleList" id="lis0020"><li class="elsevierStyleListItem" id="lsti0060">•C es un parámetro de penalización que controló el nivel de regularización del modelo, es decir, es el inverso de la fuerza de regularización. Los valores más pequeños especifican una regularización más fuerte.</li><li class="elsevierStyleListItem" id="lsti0065">•Kernel es la función o hiperplano que se utilizó para separar las clases.</li><li class="elsevierStyleListItem" id="lsti0070">•Gamma se utilizó para controlar la forma de la función del kernel.</li></ul>El parámetro de la regresión logística fue:<ul class="elsevierStyleList" id="lis0025"><li class="elsevierStyleListItem" id="lsti0075">•C es un parámetro de penalización que se utilizó para controlar el nivel de regularización del modelo, es decir, es el inverso de la fuerza de regularización. Al igual que en las SVM, los valores más pequeños especifican una regularización más fuerte.</li></ul>Los parámetros de Random Forest fueron:<ul class="elsevierStyleList" id="lis0030"><li class="elsevierStyleListItem" id="lsti0080">•Number of trees es un parámetro que se utilizó para hacer referencia al número de árboles de decisión.</li><li class="elsevierStyleListItem" id="lsti0085">•Number of features es un parámetro que se utilizó para hacer referencia al número de variables que se consideran cuando se crea un árbol de decisión.</li><li class="elsevierStyleListItem" id="lsti0090">•Tree Depth es un parámetro que se utilizó para hacer referencia a la profundidad máxima que tiene cada árbol de decisión.</li></ul>Los parámetros del modelo AdaBoost fueron:<ul class="elsevierStyleList" id="lis0035"><li class="elsevierStyleListItem" id="lsti0095">•Tree Depth es un parámetro que se utilizó para hacer referencia a la profundidad máxima que tiene cada árbol de decisión.</li><li class="elsevierStyleListItem" id="lsti0100">•Boosting se enfocó en las muestras que se clasificaron incorrectamente en las iteraciones anteriores, dándoles más peso para que el clasificador se enfoque en ellas y las clasifique correctamente en las iteraciones futuras.</li><li class="elsevierStyleListItem" id="lsti0105">•N rounds es el número de iteraciones que se realizó en el entrenamiento.</li></ul>Medidas de calidadPara evaluar los modelos de machine learning combinado se analizaron la exactitud, la precisión, la exhaustividad y el valor-F1. Para ello, se aplicó la técnica de validación cruzada K Folds (en la que K conjuntos de datos son generados aleatoriamente del conjunto original, y se repite el entrenamiento K veces con cada conjunto de datos, en este caso K=5). Tanto el balanceo de datos como la validación cruzada y los modelos combinados ayudan a prevenir el overfitting, de tal manera que las predicciones sean adecuadas con el conjunto de datos de validación y con nuevos datos.<ul class="elsevierStyleList" id="lis0040"><li class="elsevierStyleListItem" id="lsti0110">1.Precisión (Precision). Con la métrica de precisión medimos la calidad del modelo de machine learning en tareas de clasificación, es decir, hace referencia a la proporción de predicciones positivas que son verdaderas.</li><li class="elsevierStyleListItem" id="lsti0115">2.Exactitud (Accuracy). Medimos el porcentaje de casos que el modelo ha acertado, es decir, hace referencia a la proporción de predicciones correctas que hace un modelo.</li><li class="elsevierStyleListItem" id="lsti0120">3.Exhaustividad (Recall). La métrica de exhaustividad nos informó sobre la cantidad que el modelo de machine learning es capaz de identificar, es decir hace referencia a la proporción de verdaderos positivos que se identifican correctamente.</li><li class="elsevierStyleListItem" id="lsti0125">4.Valor-F1 (F1-Score). Métrica que nos ayudó a combinar la precisión y la exhaustividad en un solo valor obteniendo un promedio de los dos. La métrica valor-F1 varía entre 0 (mínimo valor posible) y 1 (máximo valor posible).</li></ul>Todos los análisis estadísticos se llevaron a cabo utilizando Python y sus módulos de manipulación de datos, visualización y machine learning, como Pandas, Numpy, Matplotlib y Scikit Learn.ResultadosUna vez que se han ejecutado las fases de la arquitectura propuesta y la experimentación, los valores finales de los parámetros de los modelos de base de los modelos de machine learning fueron los siguientes:En el caso de la SVM, el valor de C fue establecido en 1, gamma fue fijado en 0,1 y el kernel utilizado fue el RBF.Para el modelo Random Forest se emplearon 50 árboles (number trees) y se definió una profundidad de árbol de 10 (tree depth). Además, se seleccionó un número de características de 1 (number of features).En cuanto a la regresión logística, C fue establecido en 1.Por último, en el modelo AdaBoost la profundidad máxima del árbol (tree depth) fue establecida en 3 y se realizaron 100 rondas de impulso (N rounds).Modelo StackingEl modelo Stacking tuvo una exactitud del 94%. En la <a class="elsevierStyleCrossRef" href="#tbl0010">tabla 2</a> se muestran los resultados del análisis estadístico de los modelos Stacking y AdaBoost.<elsevierMultimedia ident="tbl0010"></elsevierMultimedia>La matriz de confusión del modelo Stacking mostró que este modelo realizó correctamente las predicciones, visualizando resultados de predicción en cada una de las clases óptimas para este estudio.En la <a class="elsevierStyleCrossRef" href="#fig0010">figura 2</a> se visualiza la matriz de confusión para el modelo Stacking.<elsevierMultimedia ident="fig0010"></elsevierMultimedia>Modelo AdaBoostEl modelo AdaBoost tuvo una exactitud del 77%. En la <a class="elsevierStyleCrossRef" href="#tbl0010">tabla 2</a> se muestran los resultados del análisis estadístico de los modelos Stacking y AdaBoost. La matriz de confusión del modelo AdaBoost mostró que este modelo no realizó predicciones tan efectivas como el modelo Stacking.En la <a class="elsevierStyleCrossRef" href="#fig0015">figura 3</a> se visualiza la matriz de confusión para el modelo AdaBoost.<elsevierMultimedia ident="fig0015"></elsevierMultimedia>DiscusiónLos resultados mostraron que el modelo Stacking presentó un mejor rendimiento y calidad de diagnóstico para la detección del cáncer de pulmón que el modelo AdaBoost, con un rendimiento general en términos de porcentaje del 94%. El modelo obtuvo una exactitud entre un rango del 89,65% al 98,12%, con un intervalo de confianza del 95%. Además, nuestros hallazgos respaldan la idea de que la combinación de múltiples modelos de aprendizaje automático, como se realizó en el modelo Stacking, puede mejorar aún más el rendimiento y la calidad de los resultados en el diagnóstico del cáncer.Por el contrario, los resultados del modelo AdaBoost demostraron un rendimiento inferior al modelo Stacking, con un rendimiento general del 77%. El modelo obtuvo una exactitud entre un rango del 68,91% al 83,57% con un intervalo de confianza del 95%.El modelo Stacking evitó el overfitting utilizando la validación cruzada K-Folds para evaluar el rendimiento de generalización del modelo base en diferentes subconjuntos de datos. Es decir, el conjunto original de datos se dividió en K particiones. Cada partición sirvió para entrenamiento y para prueba, y así el modelo aprendió de una mejor manera. Además, el modelo Staking es un modelo que combina predicciones de múltiples modelos subyacentes, lo que reduce el riesgo de overfitting para instancias de entrenamiento específicas y explota la inteligencia colectiva de diferentes modelos. Así mismo, la técnica de balanceo de datos descartó conjuntos de datos con clases desbalanceadas y mejoró la generalización o la robustez del modelo. Mediante la combinación de estas estrategias, los modelos apilados lograron un mejor equilibrio entre la complejidad del modelo y la generalización, lo que se traduce en predicciones más fiables y precisas.Tal como se esperaba, los resultados demuestran que los modelos Stacking tienen una ventaja significativa en comparación con enfoques como AdaBoost y los métodos clásicos de machine learning. Estos modelos pueden combinar una variedad de algoritmos de diferentes familias, lo que les permite aprovechar las fortalezas únicas de cada uno. Esto conduce a un rendimiento más sólido y versátil, ya que cada modelo contribuye con su experiencia y enfoque para resolver el problema<a class="elsevierStyleCrossRef" href="#bib0080">8</a>. Además, el modelo Stacking permite ajustar la forma en que se combinan las predicciones de los modelos base, lo que puede llevar a un rendimiento aún mejor. Estas ventajas hacen que el modelo Stacking sea una técnica valiosa en el campo del aprendizaje automático.El modelo Stacking puede evitar eficazmente el infraentrenamiento (underfitting) empleando diversas técnicas, como el ajuste de hiperparámetros, la incorporación de métodos de base diversos y el equilibrio de clases. El ajuste de hiperparámetros permite al modelo Stacking afinar las opciones de configuración que rigen su proceso de aprendizaje. Mediante el ajuste iterativo de hiperparámetros como la cantidad de árboles, la intensidad de la regularización o la máxima profundidad de cada árbol, el modelo puede encontrar los ajustes óptimos que consigan un equilibrio entre complejidad y rendimiento. Los métodos combinados, como el modelo Stacking, realizan la combinación de predicciones de varios modelos base y mejoran su capacidad para captar relaciones complejas en los datos. Además, las técnicas de equilibrio de clases abordan los conjuntos de datos desequilibrados, garantizando que el modelo de apilamiento no esté sesgado hacia las clases con mayor cantidad de datos y pueda aprender eficazmente de todas las clases. Mediante la integración de estas estrategias, el modelo Stacking puede superar los problemas de underfitting, mejorar su capacidad de predicción y obtener un mejor rendimiento general.Como se demostró, el modelo Stacking muestra un excelente rendimiento en los datos de prueba, detectando un mayor número de verdaderos positivos que de falsos positivos, y esto tiene especial importancia en el diagnóstico del cáncer de pulmón debido a que puede cambiar la vida del enfermo o tener cierto estigma (no es adecuado preocupar o estigmatizar por error a alguien cuando en realidad es un falso positivo) y cuando las consecuencias del tratamiento son relevantes para el paciente. Además, puede reducir gastos innecesarios tanto para los pacientes como para los sistemas sanitarios. Esta precisión diagnóstica desempeña un papel crucial en el diagnóstico precoz del cáncer de pulmón, garantizando un tratamiento y un seguimiento oportunos y aumentando sus posibilidades de supervivencia.Hoy en día, el cáncer de pulmón a menudo se diagnostica en etapas avanzadas, lo que reduce las opciones de tratamiento y la tasa de supervivencia. El uso de modelos de machine learning o aprendizaje automático puede tener un impacto significativo en el campo de la medicina y de la atención médica oncológica, debido a que su uso puede mejorar significativamente la precisión y la eficacia del diagnóstico del cáncer de pulmón, siendo crucial para mejorar la supervivencia y la calidad de vida de estos pacientes. Aunque en la práctica clínica queda un amplio camino para validar e integrar los modelos de machine learning para el diagnóstico del cáncer de pulmón, es necesario que los médicos continúen sus esfuerzos para comprender su significado y su utilidad en la práctica clínica debido a la valiosa información que proporcionan en tiempos humanamente imposibles.La implementación de la arquitectura de análisis de imágenes PET/TC organizada en fases, mediante la aplicación de métodos combinados de machine learning o ensemble, permitió mejorar significativamente la detección del cáncer de pulmón. Al dividir el proceso en fases, como la recolección y la selección de imágenes, la transformación de imágenes y el balanceo de distribución de frecuencia de clases, se facilitó la integración de modelos base diversos en ensemble o métodos combinados. Los modelos combinados, como el Stacking y el Boosting, contribuyeron a mejorar el rendimiento general del sistema, reducir el riesgo de overfitting y manejar la diversidad inherente a las imágenes médicas. La ejecución del proceso de esta arquitectura proporcionó resultados más robustos y eficientes para la detección precoz del cáncer de pulmón, contribuyendo así a avances significativos en la atención médica y la mejora de los resultados clínicos.Las limitaciones de este estudio residen en el número de pacientes y que se trata de un estudio retrospectivo. Sería por tanto necesario realizar estudios prospectivos con mayor número de pacientes para poder validar los resultados de este estudio. Además, se necesitan más estudios para validar el potencial de los modelos de machine learning en el campo de la medicina.En conclusión, el modelo de machine learningStacking es una herramienta prometedora, con un gran rendimiento y una gran calidad para la detección del cáncer de pulmón al analizar imágenes PET/TC.Aprobación éticaEl equipo queda sujeto al compromiso de confidencialidad en el manejo de los datos personales de los pacientes y no se aprecia ningún impedimento de tipo ético o legal para la realización del estudio.FinanciaciónEsta investigación no ha recibido ningún tipo de financiación externa.Conflicto de interesesLos autores declaran no tener ningún conflicto de intereses." "textoCompletoSecciones" => array:1 [ "secciones" => array:12 [ 0 => array:3 [ "identificador" => "xres2150707" "titulo" => "Resumen" "secciones" => array:4 [ 0 => array:2 [ "identificador" => "abst0005" "titulo" => "Introducción y objetivos" ] 1 => array:2 [ "identificador" => "abst0010" "titulo" => "Material y métodos" ] 2 => array:2 [ "identificador" => "abst0015" "titulo" => "Resultados" ] 3 => array:2 [ "identificador" => "abst0020" "titulo" => "Conclusiones" ] ] ] 1 => array:2 [ "identificador" => "xpalclavsec1825730" "titulo" => "Palabras clave" ] 2 => array:3 [ "identificador" => "xres2150706" "titulo" => "Abstract" "secciones" => array:4 [ 0 => array:2 [ "identificador" => "abst0025" "titulo" => "Introduction and objectives" ] 1 => array:2 [ "identificador" => "abst0030" "titulo" => "Material and methods" ] 2 => array:2 [ "identificador" => "abst0035" "titulo" => "Results" ] 3 => array:2 [ "identificador" => "abst0040" "titulo" => "Conclusions" ] ] ] 3 => array:2 [ "identificador" => "xpalclavsec1825729" "titulo" => "Keywords" ] 4 => array:2 [ "identificador" => "sec0005" "titulo" => "Introducción" ] 5 => array:3 [ "identificador" => "sec0010" "titulo" => "Material y método" "secciones" => array:8 [ 0 => array:2 [ "identificador" => "sec0015" "titulo" => "Diseño del estudio" ] 1 => array:2 [ "identificador" => "sec0020" "titulo" => "Hipótesis" ] 2 => array:2 [ "identificador" => "sec0025" "titulo" => "Población de estudio" ] 3 => array:2 [ "identificador" => "sec0030" "titulo" => "Balanceo del conjunto de datos" ] 4 => array:2 [ "identificador" => "sec0035" "titulo" => "Técnicas de estudio. Radiotrazador, protocolo de imagen utilizada en la base de datos pública" ] 5 => array:2 [ "identificador" => "sec0040" "titulo" => "Fases de la arquitectura de este estudio" ] 6 => array:2 [ "identificador" => "sec0045" "titulo" => "Modelos de predicción" ] 7 => array:2 [ "identificador" => "sec0050" "titulo" => "Medidas de calidad" ] ] ] 6 => array:3 [ "identificador" => "sec0055" "titulo" => "Resultados" "secciones" => array:2 [ 0 => array:2 [ "identificador" => "sec0060" "titulo" => "Modelo Stacking" ] 1 => array:2 [ "identificador" => "sec0065" "titulo" => "Modelo AdaBoost" ] ] ] 7 => array:2 [ "identificador" => "sec0070" "titulo" => "Discusión" ] 8 => array:2 [ "identificador" => "sec0075" "titulo" => "Aprobación ética" ] 9 => array:2 [ "identificador" => "sec0080" "titulo" => "Financiación" ] 10 => array:2 [ "identificador" => "sec0085" "titulo" => "Conflicto de intereses" ] 11 => array:1 [ "titulo" => "Bibliografía" ] ] ] "pdfFichero" => "main.pdf" "tienePdf" => true "fechaRecibido" => "2023-10-15" "fechaAceptado" => "2024-01-29" "PalabrasClave" => array:2 [ "es" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Palabras clave" "identificador" => "xpalclavsec1825730" "palabras" => array:3 [ 0 => "Machine learning" 1 => "Tomografía por emisión de positrones" 2 => "Cáncer de pulmón" ] ] ] "en" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Keywords" "identificador" => "xpalclavsec1825729" "palabras" => array:3 [ 0 => "Machine learning" 1 => "Positron emission tomography" 2 => "Lung cancer" ] ] ] ] "tieneResumen" => true "resumen" => array:2 [ "es" => array:3 [ "titulo" => "Resumen" "resumen" => "Introducción y objetivosEl cáncer de pulmón es el segundo tipo de cáncer con mayor tasa de incidencia y el primero de mortalidad en el mundo. El aprendizaje automático o machine learning a través del análisis de pruebas de imagen como la tomografía por emisión de positrones/tomografía computarizada (PET/TC) se ha convertido en una herramienta fundamental para la detección temprana y precisa del cáncer. El objetivo de este estudio fue plantear una arquitectura de análisis de imágenes (PET/TC) ordenada en fases mediante la aplicación de métodos de machine learning combinado o ensemble para la detección temprana del cáncer de pulmón analizando imágenes PET/TC. Material y métodosSe realizó un estudio retrospectivo de observación. Se utilizó una base de datos pública, «A large-scale CT and PET/CT dataset for lung cancer diagnosis», en la que se usaron modalidades de exploraciones: TC, PET e imágenes fusionas PET/TC. Las fases de la arquitectura o marco de trabajo de este estudio fueron: 1)carga o recolección de imágenes; 2)selección de imágenes; 3)transformación de imágenes, y 4)balanceo de distribución de frecuencia de clases de imágenes. Los modelos predictivos para la detección del cáncer de pulmón analizando imágenes PET/TC fueron: a)el modelo Stacking, el cual utilizó como modelos base al modelo Random Forest y el modelo Máquina de Soporte Vectorial (Support Vector Machine [SVM]) para luego complementarlo con una regresión logística como modelo final, y b)el modelo Boosting, el cual utilizó el modelo Adaptive Boosting(AdaBoost) para ser comparado con el modelo Stacking. Las medidas de calidad utilizadas fueron: precisión, exactitud, exhaustividad, valor-F1. ResultadosEn este estudio se pudo apreciar un rendimiento general del 94% con el método de Stacking y un rendimiento general del 77% con el método de Boosting. ConclusionesEl método Stacking demostró ser un modelo con un gran rendimiento y calidad para la detección del cáncer de pulmón al analizar imágenes PET/TC." "secciones" => array:4 [ 0 => array:2 [ "identificador" => "abst0005" "titulo" => "Introducción y objetivos" ] 1 => array:2 [ "identificador" => "abst0010" "titulo" => "Material y métodos" ] 2 => array:2 [ "identificador" => "abst0015" "titulo" => "Resultados" ] 3 => array:2 [ "identificador" => "abst0020" "titulo" => "Conclusiones" ] ] ] "en" => array:3 [ "titulo" => "Abstract" "resumen" => "Introduction and objectivesLung cancer is the second type of cancer with the second highest incidence rate and the first with the highest mortality rate in the world. Machine learning through the analysis of imaging tests such as positron emission tomography/computed tomography (PET/CT) has become a fundamental tool for the early and accurate detection of cancer. The objective of this study was to propose an image analysis architecture (PET/CT) ordered in phases through the application of ensemble or combined machine learning methods for the early detection of lung cancer by analyzing PET/CT images. Material and methodsA retrospective observational study was conducted utilizing a public dataset titled «A large-scale CT and PET/CT dataset for lung cancer diagnosis.» Various imaging modalities, including CT, PET, and fused PET/CT images, were employed. The architecture or framework of this study comprised the following phases: 1.image loading or collection; 2.image selection; 3.image transformation, and 4.balancing the frequency distribution of image classes. Predictive models for lung cancer detection using PET/CT images included: a)the Stacking model, which used Random Forest and Support Vector Machine (SVM) as base models and complemented them with a Logistic Regression model, and b)the Boosting model, which employed the Adaptive Boosting (AdaBoost) model for comparison with the Stacking model. Quality metrics used for evaluation included accuracy, precision, recall, and F1-score. ResultsThis study showed a general performance of 94% with the Stacking method and a general performance of 77% with the Boosting method. ConclusionsThe Stacking method proved to be a model with high performance and quality for lung cancer detection when analyzing PET/CT images." "secciones" => array:4 [ 0 => array:2 [ "identificador" => "abst0025" "titulo" => "Introduction and objectives" ] 1 => array:2 [ "identificador" => "abst0030" "titulo" => "Material and methods" ] 2 => array:2 [ "identificador" => "abst0035" "titulo" => "Results" ] 3 => array:2 [ "identificador" => "abst0040" "titulo" => "Conclusions" ] ] ] ] "multimedia" => array:5 [ 0 => array:7 [ "identificador" => "fig0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 2800 "Ancho" => 2508 "Tamanyo" => 407617 ] ] "descripcion" => array:1 [ "es" => "Arquitectura de análisis de imágenes (PET/TC) ordenada en fases mediante machine learning combinado." ] ] 1 => array:7 [ "identificador" => "fig0010" "etiqueta" => "Figura 2" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr2.jpeg" "Alto" => 1380 "Ancho" => 1915 "Tamanyo" => 87348 ] ] "descripcion" => array:1 [ "es" => "Matriz de confusión para el modelo Stacking." ] ] 2 => array:7 [ "identificador" => "fig0015" "etiqueta" => "Figura 3" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr3.jpeg" "Alto" => 1382 "Ancho" => 1909 "Tamanyo" => 92686 ] ] "descripcion" => array:1 [ "es" => "Matriz de confusión para el modelo AdaBoost." ] ] 3 => array:8 [ "identificador" => "tbl0005" "etiqueta" => "Tabla 1" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "detalles" => array:1 [ 0 => array:3 [ "identificador" => "at1" "detalle" => "Tabla " "rol" => "short" ] ] "tabla" => array:1 [ "tablatextoimagen" => array:1 [ 0 => array:2 [ "tabla" => array:1 [ 0 => """ <table border="0" frame="\n \t\t\t\t\tvoid\n \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Modelo \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Parámetros \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black"> \t\t\t\t\t\t\n \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">SVM \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">C \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,1, 1, 10, 100 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Gamma \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,0001, 0,001, 0,01, 0,1, 1 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Kernel \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Radial Basis Function (RBF), Polinomial, Sigmoid \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Random Forest \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Number of trees \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">50, 100, 150, 200, 250, 300, 350, 400, 450, 500 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Number of features \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1, 2 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Tree Depth \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">3, 5, 10, 12, 15 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Regresión logística \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">C \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">AdaBoost \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Tree Depth \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">2, 3, 4, 5 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Boosting \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Verdadero \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">N_rounds \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">50, 100, 150, 200, 250, 300, 350, 400, 450, 500 \t\t\t\t\t\t\n \t\t\t\t</td></tr></tbody></table> """ ] "imagenFichero" => array:1 [ 0 => "xTab3544337.png" ] ] ] ] "descripcion" => array:1 [ "es" => "Modelos y parámetros utilizados en el estudio" ] ] 4 => array:8 [ "identificador" => "tbl0010" "etiqueta" => "Tabla 2" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "detalles" => array:1 [ 0 => array:3 [ "identificador" => "at2" "detalle" => "Tabla " "rol" => "short" ] ] "tabla" => array:1 [ "tablatextoimagen" => array:1 [ 0 => array:2 [ "tabla" => array:1 [ 0 => """ <table border="0" frame="\n \t\t\t\t\tvoid\n \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Medidas de calidad \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Modelo Stacking \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Modelo Boosting \t\t\t\t\t\t\n \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Precisión \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,94 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,77 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Exactitud \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,94 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,77 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Exhaustividad \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,94 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,77 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Valor-F1 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,94 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,77 \t\t\t\t\t\t\n \t\t\t\t</td></tr></tbody></table> """ ] "imagenFichero" => array:1 [ 0 => "xTab3544338.png" ] ] ] ] "descripcion" => array:1 [ "es" => "Análisis estadístico de los modelos Stacking y AdaBoost" ] ] ] "bibliografia" => array:2 [ "titulo" => "Bibliografía" "seccion" => array:1 [ 0 => array:2 [ "identificador" => "bibs0015" "bibliografiaReferencia" => array:8 [ 0 => array:3 [ "identificador" => "bib0045" "etiqueta" => "1" "referencia" => array:1 [ 0 => array:1 [ "referenciaCompleta" => "SEOM. Las cifras del cáncer en España 2023. SEOM. 2023 [consultado 29 Sep 2023]. Disponible en: <a target="_blank" href="https://seom.org/prensa/el-cancer-en-cifras">https://seom.org/prensa/el-cancer-en-cifras</a>" ] ] ] 1 => array:3 [ "identificador" => "bib0050" "etiqueta" => "2" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Guía SEOM-SERAM-SEMNIM sobre el empleo de las técnicas de imagen funcional y molecular en el cáncer de pulmón no microcítico avanzado" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "G. Fernández Pérez" 1 => "R. Sánchez Escribano" 2 => "A.M. García Vicente" 3 => "A. Luna Alcalá" 4 => "J. Ceballos Viro" 5 => "R.C. Delgado Bolton" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.rx.2018.01.007" "Revista" => array:6 [ "tituloSerie" => "Radiologia." "fecha" => "2018" "volumen" => "60" "paginaInicial" => "332" "paginaFinal" => "346" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29807678" "web" => "Medline" ] ] ] ] ] ] ] ] 2 => array:3 [ "identificador" => "bib0055" "etiqueta" => "3" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "La tomografía por emisión de positrones (PET) en oncología (Parte I)" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "C. Gámez Cenzano" 1 => "A. Cabrera Villegas" 2 => "R. Sopena Monforte" 3 => "M.J. García Velloso" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Rev Esp Med Nuclear." "fecha" => "2002" "volumen" => "21" "paginaInicial" => "41" "paginaFinal" => "60" ] ] ] ] ] ] 3 => array:3 [ "identificador" => "bib0060" "etiqueta" => "4" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Machine learning for lung cancer diagnosis, treatment, and prognosis" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "Y. Li" 1 => "X. Wu" 2 => "P. Yang" 3 => "G. Jiang" 4 => "Y. Luo" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.gpb.2022.11.003" "Revista" => array:6 [ "tituloSerie" => "Genomics Proteomics Bioinformatics." "fecha" => "2022" "volumen" => "20" "paginaInicial" => "850" "paginaFinal" => "866" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/36462630" "web" => "Medline" ] ] ] ] ] ] ] ] 4 => array:3 [ "identificador" => "bib0065" "etiqueta" => "5" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Machine learning application in personalised lung cancer recurrence and survivability prediction" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "Y. Yang" 1 => "L. Xu" 2 => "L. Sun" 3 => "P. Zhang" 4 => "S.S. Farid" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.csbj.2022.03.035" "Revista" => array:6 [ "tituloSerie" => "Comput Struct Biotechnol J." "fecha" => "2022" "volumen" => "20" "paginaInicial" => "1811" "paginaFinal" => "1820" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35521553" "web" => "Medline" ] ] ] ] ] ] ] ] 5 => array:3 [ "identificador" => "bib0070" "etiqueta" => "6" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "A large-scale CT and PET/CT dataset for lung cancer diagnosis [Data set]" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "P. Li" 1 => "S. Wang" 2 => "T. Li" 3 => "J. Lu" 4 => "Y. HuangFu" 5 => "D. Wang" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.7937/TCIA. 2020.NNC2-0461" "Revista" => array:2 [ "tituloSerie" => "The Cancer Imaging Archive." "fecha" => "2020" ] ] ] ] ] ] 6 => array:3 [ "identificador" => "bib0075" "etiqueta" => "7" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The Cancer Imaging Archive (TCIA): Maintaining and operating a public information repository" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "K. Clark" 1 => "B. Vendt" 2 => "K. Smith" 3 => "J. Freymann" 4 => "J. Kirby" 5 => "P. Koppel" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1007/s10278-013-9622-7" "Revista" => array:6 [ "tituloSerie" => "J Digit Imaging." "fecha" => "2013" "volumen" => "26" "paginaInicial" => "1045" "paginaFinal" => "1057" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/23884657" "web" => "Medline" ] ] ] ] ] ] ] ] 7 => array:3 [ "identificador" => "bib0080" "etiqueta" => "8" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "A novel machine learning model with Stacking Ensemble Learner for predicting emergency readmission of heart-disease patients" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "A. Ghasemieh" 1 => "A. Lloyed" 2 => "P. Bahrami" 3 => "P. Vajar" 4 => "R. Kashef" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "Decis Anal J." "fecha" => "2023" "volumen" => "7" "paginaInicial" => "100242" ] ] ] ] ] ] ] ] ] ] ] "idiomaDefecto" => "es" "url" => "/2253654X/0000004300000003/v1_202405210528/S2253654X24000076/v1_202405210528/es/main.assets" "Apartado" => array:4 [ "identificador" => "7910" "tipo" => "SECCION" "es" => array:2 [ "titulo" => "Originales" "idiomaDefecto" => true ] "idiomaDefecto" => "es" ] "PDF" => "https://static.elsevier.es/multimedia/2253654X/0000004300000003/v1_202405210528/S2253654X24000076/v1_202405210528/es/main.pdf?idApp=UINPBA00004N&text.app=https://www.elsevier.es/" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2253654X24000076?idApp=UINPBA00004N"]

Estadísticas

Original

Una arquitectura de análisis de imágenes seriadas con la tomografía por emisión de positrones mediante la aplicación de machine learning combinado para la detección del cáncer de pulmón

A serial image analysis architecture with positron emission tomography using machine learning combined for the detection of lung cancer

S. Guzmán Ortiza,

Autor para correspondencia

estefany--go@hotmail.com

Autor para correspondencia.

, R. Hurtado Ortizb, A. Jara Gavilanesb, R. Ávila Faicanb, B. Parra Zambranob

a Servicio de Medicina Nuclear, Hospital Universitario General de Toledo, Toledo, España

b Grupo de investigación en Inteligencia Artificial y Tecnologías de Asistencia (GI-IATA), Universidad Politécnica Salesiana, Cuenca, Azuay, Ecuador

Leído

183

Veces
se ha leído el artículo

Total PDF

168

Total HTML

Compartir estadísticas

 array:23 [
  "pii" => "S2253654X24000076"
  "issn" => "2253654X"
  "doi" => "10.1016/j.remn.2024.500003"
  "estado" => "S300"
  "fechaPublicacion" => "2024-05-01"
  "aid" => "500003"
  "copyright" => "Sociedad Espa&#241;ola de Medicina Nuclear e Imagen Molecular"
  "copyrightAnyo" => "2024"
  "documento" => "article"
  "crossmark" => 1
  "subdocumento" => "fla"
  "cita" => "Rev Esp Med Nucl Imagen Mol. 2024;43:"
  "abierto" => array:3 [
    "ES" => false
    "ES2" => false
    "LATM" => false
  ]
  "gratuito" => false
  "lecturas" => array:1 [
    "total" => 0
  ]
  "Traduccion" => array:1 [
    "en" => array:19 [
      "pii" => "S2253808924000193"
      "issn" => "22538089"
      "doi" => "10.1016/j.remnie.2024.500003"
      "estado" => "S300"
      "fechaPublicacion" => "2024-05-01"
      "aid" => "500003"
      "copyright" => "Sociedad Espa&#241;ola de Medicina Nuclear e Imagen Molecular"
      "documento" => "article"
      "crossmark" => 1
      "subdocumento" => "fla"
      "cita" => "Rev Esp Med Nucl Imagen Mol. 2024;43:"
      "abierto" => array:3 [
        "ES" => false
        "ES2" => false
        "LATM" => false
      ]
      "gratuito" => false
      "lecturas" => array:1 [
        "total" => 0
      ]
      "en" => array:12 [
        "idiomaDefecto" => true
        "cabecera" => "<span class="elsevierStyleTextfn">Original Article</span>"
        "titulo" => "A serial image analysis architecture with positron emission tomography using machine learning combined for the detection of lung cancer"
        "tienePdf" => "en"
        "tieneTextoCompleto" => "en"
        "tieneResumen" => array:2 [
          0 => "en"
          1 => "es"
        ]
        "titulosAlternativos" => array:1 [
          "es" => array:1 [
            "titulo" => "Una arquitectura de an&#225;lisis de im&#225;genes seriadas con la tomograf&#237;a por emisi&#243;n de positrones mediante la aplicaci&#243;n de <span class="elsevierStyleItalic">machine learning</span> combinado para la detecci&#243;n del c&#225;ncer de pulm&#243;n"
          ]
        ]
        "contieneResumen" => array:2 [
          "en" => true
          "es" => true
        ]
        "contieneTextoCompleto" => array:1 [
          "en" => true
        ]
        "contienePdf" => array:1 [
          "en" => true
        ]
        "resumenGrafico" => array:2 [
          "original" => 0
          "multimedia" => array:8 [
            "identificador" => "fig0015"
            "etiqueta" => "Figure 3"
            "tipo" => "MULTIMEDIAFIGURA"
            "mostrarFloat" => true
            "mostrarDisplay" => false
            "figura" => array:1 [
              0 => array:4 [
                "imagen" => "gr3.jpeg"
                "Alto" => 1382
                "Ancho" => 1909
                "Tamanyo" => 95901
              ]
            ]
            "detalles" => array:1 [
              0 => array:3 [
                "identificador" => "at0030"
                "detalle" => "Figure "
                "rol" => "short"
              ]
            ]
            "descripcion" => array:1 [
              "en" => "<p id="spar0015" class="elsevierStyleSimplePara elsevierViewall">Confusion matrix for the AdaBoost model&#46;</p>"
            ]
          ]
        ]
        "autores" => array:1 [
          0 => array:2 [
            "autoresLista" => "S&#46; Guzm&#225;n Ortiz, R&#46; Hurtado Ortiz, A&#46; Jara Gavilanes, R&#46; &#193;vila Faican, B&#46; Parra Zambrano"
            "autores" => array:5 [
              0 => array:2 [
                "nombre" => "S&#46;"
                "apellidos" => "Guzm&#225;n Ortiz"
              ]
              1 => array:2 [
                "nombre" => "R&#46;"
                "apellidos" => "Hurtado Ortiz"
              ]
              2 => array:2 [
                "nombre" => "A&#46;"
                "apellidos" => "Jara Gavilanes"
              ]
              3 => array:2 [
                "nombre" => "R&#46;"
                "apellidos" => "&#193;vila Faican"
              ]
              4 => array:2 [
                "nombre" => "B&#46;"
                "apellidos" => "Parra Zambrano"
              ]
            ]
          ]
        ]
      ]
      "idiomaDefecto" => "en"
      "Traduccion" => array:1 [
        "es" => array:9 [
          "pii" => "S2253654X24000076"
          "doi" => "10.1016/j.remn.2024.500003"
          "estado" => "S300"
          "subdocumento" => ""
          "abierto" => array:3 [
            "ES" => false
            "ES2" => false
            "LATM" => false
          ]
          "gratuito" => false
          "lecturas" => array:1 [
            "total" => 0
          ]
          "idiomaDefecto" => "es"
          "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2253654X24000076?idApp=UINPBA00004N"
        ]
      ]
      "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2253808924000193?idApp=UINPBA00004N"
      "url" => "/22538089/0000004300000003/v3_202408071237/S2253808924000193/v3_202408071237/en/main.assets"
    ]
  ]
  "itemSiguiente" => array:18 [
    "pii" => "S2253654X24000088"
    "issn" => "2253654X"
    "doi" => "10.1016/j.remn.2024.500004"
    "estado" => "S300"
    "fechaPublicacion" => "2024-05-01"
    "aid" => "500004"
    "copyright" => "Sociedad Espa&#241;ola de Medicina Nuclear e Imagen Molecular"
    "documento" => "article"
    "crossmark" => 1
    "subdocumento" => "fla"
    "cita" => "Rev Esp Med Nucl Imagen Mol. 2024;43:"
    "abierto" => array:3 [
      "ES" => false
      "ES2" => false
      "LATM" => false
    ]
    "gratuito" => false
    "lecturas" => array:1 [
      "total" => 0
    ]
    "es" => array:12 [
      "idiomaDefecto" => true
      "cabecera" => "<span class="elsevierStyleTextfn">Original</span>"
      "titulo" => "Controversia en la estadificaci&#243;n inicial ganglionar del c&#225;ncer de recto &#40;&#191;RM o PET&#47;TC&#63;&#41;"
      "tienePdf" => "es"
      "tieneTextoCompleto" => "es"
      "tieneResumen" => array:2 [
        0 => "es"
        1 => "en"
      ]
      "titulosAlternativos" => array:1 [
        "en" => array:1 [
          "titulo" => "Controversy in the initial nodal staging of rectal cancer &#40;MRI or PET&#47;CT&#63;&#41;"
        ]
      ]
      "contieneResumen" => array:2 [
        "es" => true
        "en" => true
      ]
      "contieneTextoCompleto" => array:1 [
        "es" => true
      ]
      "contienePdf" => array:1 [
        "es" => true
      ]
      "resumenGrafico" => array:2 [
        "original" => 0
        "multimedia" => array:7 [
          "identificador" => "fig0005"
          "etiqueta" => "Figura 1"
          "tipo" => "MULTIMEDIAFIGURA"
          "mostrarFloat" => true
          "mostrarDisplay" => false
          "figura" => array:1 [
            0 => array:4 [
              "imagen" => "gr1.jpeg"
              "Alto" => 929
              "Ancho" => 3175
              "Tamanyo" => 250024
            ]
          ]
          "descripcion" => array:1 [
            "es" => "<p id="spar0045" class="elsevierStyleSimplePara elsevierViewall">Estudio de estadificaci&#243;n inicial de un paciente con c&#225;ncer rectal&#46; A&#41;<span class="elsevierStyleHsp" style=""></span>Corte axial de RM p&#233;lvica en secuencia T2&#59; la flecha se&#241;ala un ganglio linf&#225;tico mesorrectal izquierdo sospechoso&#46; Se identificaron otros dos ganglios locorregionales&#44; consider&#225;ndose un estadio N1b&#46; B&#41;<span class="elsevierStyleHsp" style=""></span>Imagen PET con <span class="elsevierStyleSup">18</span>F-FDG y C&#41;<span class="elsevierStyleHsp" style=""></span>corte PET&#47;TC de fusi&#243;n&#59; la flecha se&#241;ala un ganglio linf&#225;tico mesorrectal sin captaci&#243;n de <span class="elsevierStyleSup">18</span>F-FDG&#46; No se identificaron ganglios locorregionales patol&#243;gicos&#44; clasific&#225;ndose como un estadio N0&#46; El estudio histopatol&#243;gico identific&#243; 24 ganglios sin evidencia de met&#225;stasis &#40;N0&#41;&#46;</p>"
          ]
        ]
      ]
      "autores" => array:1 [
        0 => array:2 [
          "autoresLista" => "E&#46; L&#243;pez Llobet, M&#46; Coronado Poggio, C&#46; Lancha Hern&#225;ndez, C&#46; Mart&#237;n Herv&#225;s, D&#46; Travaglio Morales, D&#46; Monachello Araujo, S&#46; Rodado Marina, L&#46; Dom&#237;nguez Gadea"
          "autores" => array:8 [
            0 => array:2 [
              "nombre" => "E&#46; L&#243;pez"
              "apellidos" => "Llobet"
            ]
            1 => array:2 [
              "nombre" => "M&#46; Coronado"
              "apellidos" => "Poggio"
            ]
            2 => array:2 [
              "nombre" => "C&#46; Lancha"
              "apellidos" => "Hern&#225;ndez"
            ]
            3 => array:2 [
              "nombre" => "C&#46; Mart&#237;n"
              "apellidos" => "Herv&#225;s"
            ]
            4 => array:2 [
              "nombre" => "D&#46; Travaglio"
              "apellidos" => "Morales"
            ]
            5 => array:2 [
              "nombre" => "D&#46; Monachello"
              "apellidos" => "Araujo"
            ]
            6 => array:2 [
              "nombre" => "S&#46; Rodado"
              "apellidos" => "Marina"
            ]
            7 => array:2 [
              "nombre" => "L&#46; Dom&#237;nguez"
              "apellidos" => "Gadea"
            ]
          ]
        ]
      ]
    ]
    "idiomaDefecto" => "es"
    "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2253654X24000088?idApp=UINPBA00004N"
    "url" => "/2253654X/0000004300000003/v1_202405210528/S2253654X24000088/v1_202405210528/es/main.assets"
  ]
  "es" => array:18 [
    "idiomaDefecto" => true
    "cabecera" => "<span class="elsevierStyleTextfn">Original</span>"
    "titulo" => "Una arquitectura de an&#225;lisis de im&#225;genes seriadas con la tomograf&#237;a por emisi&#243;n de positrones mediante la aplicaci&#243;n de <span class="elsevierStyleItalic">machine learning</span> combinado para la detecci&#243;n del c&#225;ncer de pulm&#243;n"
    "tieneTextoCompleto" => true
    "autores" => array:1 [
      0 => array:4 [
        "autoresLista" => "S&#46; Guzm&#225;n Ortiz, R&#46; Hurtado Ortiz, A&#46; Jara Gavilanes, R&#46; &#193;vila Faican, B&#46; Parra Zambrano"
        "autores" => array:5 [
          0 => array:4 [
            "nombre" => "S&#46;"
            "apellidos" => "Guzm&#225;n Ortiz"
            "email" => array:1 [
              0 => "estefany--go@hotmail.com"
            ]
            "referencia" => array:2 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">a</span>"
                "identificador" => "aff0005"
              ]
              1 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">&#42;</span>"
                "identificador" => "cor0005"
              ]
            ]
          ]
          1 => array:3 [
            "nombre" => "R&#46;"
            "apellidos" => "Hurtado Ortiz"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">b</span>"
                "identificador" => "aff0010"
              ]
            ]
          ]
          2 => array:3 [
            "nombre" => "A&#46;"
            "apellidos" => "Jara Gavilanes"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">b</span>"
                "identificador" => "aff0010"
              ]
            ]
          ]
          3 => array:3 [
            "nombre" => "R&#46;"
            "apellidos" => "&#193;vila Faican"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">b</span>"
                "identificador" => "aff0010"
              ]
            ]
          ]
          4 => array:3 [
            "nombre" => "B&#46;"
            "apellidos" => "Parra Zambrano"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">b</span>"
                "identificador" => "aff0010"
              ]
            ]
          ]
        ]
        "afiliaciones" => array:2 [
          0 => array:3 [
            "entidad" => "Servicio de Medicina Nuclear&#44; Hospital Universitario General de Toledo&#44; Toledo&#44; Espa&#241;a"
            "etiqueta" => "a"
            "identificador" => "aff0005"
          ]
          1 => array:3 [
            "entidad" => "Grupo de investigaci&#243;n en Inteligencia Artificial y Tecnolog&#237;as de Asistencia &#40;GI-IATA&#41;&#44; Universidad Polit&#233;cnica Salesiana&#44; Cuenca&#44; Azuay&#44; Ecuador"
            "etiqueta" => "b"
            "identificador" => "aff0010"
          ]
        ]
        "correspondencia" => array:1 [
          0 => array:3 [
            "identificador" => "cor0005"
            "etiqueta" => "&#8270;"
            "correspondencia" => "Autor para correspondencia&#46;"
          ]
        ]
      ]
    ]
    "titulosAlternativos" => array:1 [
      "en" => array:1 [
        "titulo" => "A serial image analysis architecture with positron emission tomography using machine learning combined for the detection of lung cancer"
      ]
    ]
    "resumenGrafico" => array:2 [
      "original" => 0
      "multimedia" => array:7 [
        "identificador" => "fig0005"
        "etiqueta" => "Figura 1"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr1.jpeg"
            "Alto" => 2800
            "Ancho" => 2508
            "Tamanyo" => 407617
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0045" class="elsevierStyleSimplePara elsevierViewall">Arquitectura de an&#225;lisis de im&#225;genes &#40;PET&#47;TC&#41; ordenada en fases mediante <span class="elsevierStyleItalic">machine learning</span> combinado&#46;</p>"
        ]
      ]
    ]
    "textoCompleto" => "<span class="elsevierStyleSections"><span id="sec0005" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0065">Introducci&#243;n</span><p id="par0005" class="elsevierStylePara elsevierViewall">El c&#225;ncer de pulm&#243;n es uno de los tumores m&#225;s comunes y mortales en todo el mundo&#46; Representa el segundo tipo de c&#225;ncer con mayor tasa de incidencia y el primero de mortalidad en el mundo&#46; En Espa&#241;a se diagnosticaron alrededor de 31&#46;282 nuevos casos de c&#225;ncer de pulm&#243;n en el a&#241;o 2023&#46; La detecci&#243;n temprana del c&#225;ncer de pulm&#243;n es crucial para mejorar las tasas de supervivencia y reducir la mortalidad<a class="elsevierStyleCrossRef" href="#bib0045"><span class="elsevierStyleSup">1</span></a>&#46;</p><p id="par0010" class="elsevierStylePara elsevierViewall">Actualmente&#44; la tomograf&#237;a por emisi&#243;n de positrones &#40;PET&#41; marcada con un radiof&#225;rmaco an&#225;logo de la glucosa&#44; denominado 2-&#91;18F&#93;fluoro-2-desoxi-D-glucosa &#40;18F-FDG&#41;&#44; ha demostrado ser de gran utilidad para la detecci&#243;n precoz del c&#225;ncer de pulm&#243;n&#44; debido a que las c&#233;lulas tumorales presentan una elevada tasa de gluc&#243;lisis&#44; un mayor n&#250;mero de prote&#237;nas GLUT secundario a una activaci&#243;n de los genes que los codifican y una hiperactividad de algunas de las enzimas&#44; como la hexoquinasa&#44; la piruvato deshidrogenasa y la fosfofructoquinasa&#46; Este radiof&#225;rmaco se introduce en el paciente por v&#237;a intravenosa&#44; se transporta al interior de las c&#233;lulas por los mismos transportadores que la glucosa no marcada&#58; transportadores sodio-glucosa y los GLUT&#44; a trav&#233;s de las membranas que permiten el paso de glucosa mediante transferencia pasiva y difusi&#243;n facilitada&#46; Una vez en el espacio intracelular es fosforilado por la hexoquinasa a 18F-FDG-6-fosfato&#44; que&#44; a diferencia de su an&#225;logo no marcado&#44; no puede continuar en la v&#237;a del metabolismo energ&#233;tico&#44; quedando atrapada en c&#233;lulas metab&#243;licamente activas sin poder ser metabolizada por las v&#237;as de la gluc&#243;lisis o de la s&#237;ntesis de gluc&#243;geno&#44; permitiendo la detecci&#243;n de las c&#233;lulas tumorales<a class="elsevierStyleCrossRefs" href="#bib0050"><span class="elsevierStyleSup">2&#44;3</span></a>&#46;</p><p id="par0015" class="elsevierStylePara elsevierViewall">El aprendizaje autom&#225;tico o <span class="elsevierStyleItalic">machine learning</span> a trav&#233;s del an&#225;lisis de pruebas de imagen como la tomograf&#237;a por emisi&#243;n de positrones&#47;tomograf&#237;a computarizada &#40;PET&#47;TC&#41; se ha convertido en una herramienta prometedora para la detecci&#243;n temprana y precisa del c&#225;ncer de pulm&#243;n&#46; El reciente desarrollo de tecnolog&#237;as de imagen y secuenciaci&#243;n permite avances sistem&#225;ticos en el estudio cl&#237;nico del c&#225;ncer de pulm&#243;n&#46; Los enfoques basados en el aprendizaje autom&#225;tico desempe&#241;an un papel fundamental en la integraci&#243;n y el an&#225;lisis de estos conjuntos de datos grandes y complejos&#44; que han caracterizado ampliamente el c&#225;ncer de pulm&#243;n mediante el uso de diferentes perspectivas de estos datos acumulados&#46; La mente humana est&#225; limitada en el manejo efectivo y la utilizaci&#243;n completa de la acumulaci&#243;n de cantidades tan enormes de datos&#44; por lo que los modelos de aprendizaje autom&#225;tico tienen un gran potencial de ayudar a los m&#233;dicos a diagnosticar tempranamente y a tomar decisiones personalizadas sobre aspectos como el tratamiento y el seguimiento en los pacientes con c&#225;ncer de pulm&#243;n<a class="elsevierStyleCrossRefs" href="#bib0060"><span class="elsevierStyleSup">4&#44;5</span></a>&#46;</p><p id="par0020" class="elsevierStylePara elsevierViewall">La idea fundamental y la ventaja de los m&#233;todos combinados de <span class="elsevierStyleItalic">machine learning</span> o <span class="elsevierStyleItalic">ensemble</span> radican en mejorar el rendimiento predictivo y la estabilidad del modelo al combinar las predicciones de m&#250;ltiples modelos base&#46; En lugar de depender de un &#250;nico modelo&#44; los m&#233;todos <span class="elsevierStyleItalic">ensemble</span> utilizan un conjunto de modelos para realizar predicciones&#46; Esta estrategia aborda la variabilidad y el sesgo inherentes a un solo modelo&#44; resultando en una mejora general en el rendimiento&#46; Adem&#225;s&#44; los m&#233;todos combinados o <span class="elsevierStyleItalic">ensemble</span> mitigan el riesgo de sobreajuste o sobreentrenamiento <span class="elsevierStyleItalic">&#40;overfitting&#41;</span> al ser m&#225;s robustos y capaces de compensar los errores individuales de cada modelo&#46; La diversidad entre los modelos base&#44; lograda mediante diferentes algoritmos&#44; conjuntos de datos y configuraciones&#44; permite abordar una amplia gama de aspectos y complejidades de los datos&#46; La versatilidad de los m&#233;todos combinados se destaca al aplicarse a diversos algoritmos de <span class="elsevierStyleItalic">machine learning</span>&#44; como &#225;rboles de decisi&#243;n&#44; m&#225;quinas de soporte vectorial y redes neuronales&#44; aprovechando as&#237; las fortalezas de diferentes enfoques&#46; La estabilidad de los m&#233;todos combinados o <span class="elsevierStyleItalic">ensemble</span>&#44; al considerar m&#250;ltiples perspectivas y enfoques&#44; contribuye a su eficacia y al buen rendimiento en diversos conjuntos de datos&#46;</p><p id="par0025" class="elsevierStylePara elsevierViewall">Por lo tanto&#44; el objetivo de este estudio fue plantear una arquitectura de an&#225;lisis de im&#225;genes &#40;PET&#47;TC&#41; ordenada en fases mediante la aplicaci&#243;n de m&#233;todos de <span class="elsevierStyleItalic">machine learning ensemble</span> o combinado para la detecci&#243;n temprana del c&#225;ncer de pulm&#243;n analizando im&#225;genes PET&#47;TC&#46;</p></span><span id="sec0010" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0070">Material y m&#233;todo</span><span id="sec0015" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0075">Dise&#241;o del estudio</span><p id="par0030" class="elsevierStylePara elsevierViewall">Se realiz&#243; un estudio retrospectivo de observaci&#243;n&#46;</p></span><span id="sec0020" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0080">Hip&#243;tesis</span><p id="par0035" class="elsevierStylePara elsevierViewall">La implementaci&#243;n de una arquitectura de an&#225;lisis de im&#225;genes PET&#47;TC organizada en fases&#44; mediante la aplicaci&#243;n de m&#233;todos combinados de <span class="elsevierStyleItalic">machine learning</span> o <span class="elsevierStyleItalic">ensemble</span>&#44; permitir&#225; mejorar significativamente la detecci&#243;n temprana del c&#225;ncer de pulm&#243;n&#46; Al dividir el proceso en fases&#44; como la recolecci&#243;n y la selecci&#243;n de im&#225;genes&#44; la transformaci&#243;n de im&#225;genes y el balanceo de distribuci&#243;n de frecuencia de clases&#44; se facilitar&#225; la integraci&#243;n de modelos base diversos en un <span class="elsevierStyleItalic">ensemble</span>&#46; Los m&#233;todos combinados&#44; como el <span class="elsevierStyleItalic">Stacking</span> y el <span class="elsevierStyleItalic">Boosting</span>&#44; contribuir&#225;n a mejorar el rendimiento general del sistema&#44; reducir el riesgo de sobreajuste y manejar la diversidad inherente a las im&#225;genes m&#233;dicas&#46; Se espera que esta arquitectura optimizada proporcione resultados m&#225;s robustos y eficientes para la detecci&#243;n precoz del c&#225;ncer de pulm&#243;n&#44; contribuyendo as&#237; a avances significativos en la atenci&#243;n m&#233;dica y la mejora de los resultados cl&#237;nicos&#46;</p></span><span id="sec0025" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0085">Poblaci&#243;n de estudio</span><p id="par0040" class="elsevierStylePara elsevierViewall">Se incluy&#243; pacientes diagnosticados con c&#225;ncer de pulm&#243;n incluidos en una base de datos p&#250;blica &#171;A large-scale CT and PET&#47;CT dataset for lung cancer diagnosis&#187;<a class="elsevierStyleCrossRef" href="#bib0070"><span class="elsevierStyleSup">6</span></a>&#44; la cual se encuentra disponible en la p&#225;gina The Cancer Imaging Archive &#40;https&#58;&#47;&#47;www&#46;cancerimagingarchive&#46;net&#41;<a class="elsevierStyleCrossRef" href="#bib0075"><span class="elsevierStyleSup">7</span></a>&#46;</p><p id="par0045" class="elsevierStylePara elsevierViewall">El estudio incluy&#243; un total de 129 pacientes en el conjunto de datos &#40;los que tienen PET&#47;TC&#41;&#46; Dentro de estos pacientes&#44; se observaron tres variables diferentes seg&#250;n la histolog&#237;a del tumor&#46; Se identificaron 103 pacientes con adenocarcinoma&#44; 19 pacientes con carcinoma escamoso y 7 pacientes con carcinoma de c&#233;lulas peque&#241;as de pulm&#243;n&#46;</p><p id="par0050" class="elsevierStylePara elsevierViewall">Los criterios de inclusi&#243;n fueron&#58;<ul class="elsevierStyleList" id="lis0005"><li class="elsevierStyleListItem" id="lsti0005"><span class="elsevierStyleLabel">-</span><p id="par0055" class="elsevierStylePara elsevierViewall">C&#225;ncer de pulm&#243;n confirmado histol&#243;gicamente&#46;</p></li><li class="elsevierStyleListItem" id="lsti0010"><span class="elsevierStyleLabel">-</span><p id="par0060" class="elsevierStylePara elsevierViewall">Poseer una 18F-FDG PET&#47;TC basal&#46;</p></li></ul></p><p id="par0065" class="elsevierStylePara elsevierViewall">Los criterios de exclusi&#243;n fueron&#58;<ul class="elsevierStyleList" id="lis0010"><li class="elsevierStyleListItem" id="lsti0015"><span class="elsevierStyleLabel">-</span><p id="par0070" class="elsevierStylePara elsevierViewall">Antecedentes de otra neoplasia maligna concomitante&#46;</p></li><li class="elsevierStyleListItem" id="lsti0020"><span class="elsevierStyleLabel">-</span><p id="par0075" class="elsevierStylePara elsevierViewall">Poseer &#250;nicamente una TC basal&#46;</p></li></ul></p></span><span id="sec0030" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0090">Balanceo del conjunto de datos</span><p id="par0080" class="elsevierStylePara elsevierViewall">Se procedi&#243; a realizar un balance del conjunto de datos para evitar el desequilibrio entre los mismos&#44; es decir&#44; si hab&#237;a una clase que ten&#237;a m&#225;s pacientes que otra&#44; el modelo pod&#237;a aprender a predecir la clase mayoritaria con mayor precisi&#243;n y dejar de lado la clase minoritaria&#44; pudiendo ser un modelo in&#250;til para la clase minoritaria o incluso perjudicial si la clase minoritaria era importante&#46; Por lo tanto&#44; al balancear el conjunto de datos se asegur&#243; que todas las clases se traten por igual y se garantiz&#243; que el modelo tenga un rendimiento equilibrado en todas las clases&#46;</p><p id="par0085" class="elsevierStylePara elsevierViewall">Despu&#233;s de aplicar el balanceo de datos&#44; se logr&#243; tener un grupo de 309 pacientes en total&#44; con 103 pacientes en cada una de las tres categor&#237;as&#46; El balanceo de datos es una t&#233;cnica esencial en la que igualamos la cantidad de muestras en cada categor&#237;a dentro de nuestro conjunto de datos&#46; Esto es fundamental para evitar que nuestro modelo de aprendizaje autom&#225;tico tenga un sesgo hacia las categor&#237;as m&#225;s numerosas y&#44; en consecuencia&#44; no pueda aprender de manera adecuada de las categor&#237;as minoritarias&#46; En nuestro caso&#44; hemos aplicado esta t&#233;cnica para asegurarnos de que haya una cantidad uniforme de pacientes en cada categor&#237;a&#44; resultando en 103 pacientes por cada categor&#237;a y un total de 309 pacientes en el conjunto de datos&#46;</p></span><span id="sec0035" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0095">T&#233;cnicas de estudio&#46; Radiotrazador&#44; protocolo de imagen utilizada en la base de datos p&#250;blica</span><p id="par0090" class="elsevierStylePara elsevierViewall">Los pacientes se sometieron a un ayuno de al menos 6<span class="elsevierStyleHsp" style=""></span>horas y con un registro del nivel de glucemia inferior a 11<span class="elsevierStyleHsp" style=""></span>mmol&#47;l&#46;</p><p id="par0095" class="elsevierStylePara elsevierViewall">Posteriormente se administr&#243; a trav&#233;s de una inyecci&#243;n v&#237;a intravenosa el radiof&#225;rmaco <span class="elsevierStyleSup">18</span>Fluor-Fluorodesoxiglucosa &#40;18F-FDG&#41; &#40;4&#44;44<span class="elsevierStyleHsp" style=""></span>MBq&#47;kg&#44; 0&#44;12<span class="elsevierStyleHsp" style=""></span>mCi&#47;kg&#41;&#46; Se proporcion&#243; 18F-FDG con una pureza radioqu&#237;mica del 95&#37;&#46;</p><p id="par0100" class="elsevierStylePara elsevierViewall">La adquisici&#243;n del PET&#47;TC se realiz&#243; a los 60<span class="elsevierStyleHsp" style=""></span>minutos despu&#233;s de la inyecci&#243;n intravenosa&#46; A los pacientes se les permiti&#243; respirar normalmente durante las adquisiciones de PET y TC&#46; La correcci&#243;n de atenuaci&#243;n de las im&#225;genes de PET se realiz&#243; utilizando datos de TC con el m&#233;todo de segmentaci&#243;n h&#237;brida&#46; Las correcciones de atenuaci&#243;n se realizaron utilizando un protocolo TC &#40;180<span class="elsevierStyleHsp" style=""></span>mAs&#44; 120<span class="elsevierStyleHsp" style=""></span>kV&#44; 1&#44;0<span class="elsevierStyleHsp" style=""></span>paso&#41;&#46; Cada estudio comprend&#237;a un volumen de TC&#44; un volumen de PET e im&#225;genes fusionadas de PET y TC&#58; la resoluci&#243;n de TC fue de 512 &#215;<span class="elsevierStyleHsp" style=""></span>512 p&#237;xeles a 1<span class="elsevierStyleHsp" style=""></span>mm &#215;<span class="elsevierStyleHsp" style=""></span>1<span class="elsevierStyleHsp" style=""></span>mm&#44; la resoluci&#243;n de PET fue de 200 &#215;<span class="elsevierStyleHsp" style=""></span>200 p&#237;xeles a 4&#44;07<span class="elsevierStyleHsp" style=""></span>mm &#215;<span class="elsevierStyleHsp" style=""></span>4&#44;07<span class="elsevierStyleHsp" style=""></span>mm&#44; con un grosor de corte y una distancia entre cortes de 1<span class="elsevierStyleHsp" style=""></span>mm&#46; Ambos vol&#250;menes fueron reconstruidos con el mismo n&#250;mero de cortes&#46; Se adquirieron im&#225;genes de emisi&#243;n y transmisi&#243;n tridimensionales &#40;3D&#41; desde la base del cr&#225;neo hasta la mitad del f&#233;mur en posici&#243;n supina&#46; Las im&#225;genes PET se reconstruyeron mediante el m&#233;todo TrueX TOF con un espesor de corte de 1<span class="elsevierStyleHsp" style=""></span>mm&#46;</p></span><span id="sec0040" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0100">Fases de la arquitectura de este estudio</span><p id="par0105" class="elsevierStylePara elsevierViewall">Las fases de la arquitectura de este estudio fueron las siguientes&#58;<ul class="elsevierStyleList" id="lis0015"><li class="elsevierStyleListItem" id="lsti0025"><span class="elsevierStyleLabel">1&#46;</span><p id="par0110" class="elsevierStylePara elsevierViewall">Carga o recolecci&#243;n de im&#225;genes&#46; Hace referencia al conjunto de im&#225;genes con el cual se procedi&#243; a aplicar los diferentes modelos de <span class="elsevierStyleItalic">ensamble</span>&#46; El proceso de recolecci&#243;n de datos tambi&#233;n se conoce como <span class="elsevierStyleItalic">data gathering&#46;</span></p></li><li class="elsevierStyleListItem" id="lsti0030"><span class="elsevierStyleLabel">2&#46;</span><p id="par0115" class="elsevierStylePara elsevierViewall">Selecci&#243;n de im&#225;genes&#46; Se seleccion&#243; solamente los estudios PET&#47;TC&#44; en los que se enfoca este trabajo&#46;</p></li><li class="elsevierStyleListItem" id="lsti0035"><span class="elsevierStyleLabel">3&#46;</span><p id="par0120" class="elsevierStylePara elsevierViewall">Transformaci&#243;n de im&#225;genes&#46; Las im&#225;genes se transformaron o aplanaron en estructuras adecuadas para la entrada a los modelos de aprendizaje&#44; quedando cada imagen como un vector de una dimensi&#243;n&#46; Esto fue necesario para la aplicaci&#243;n de los algoritmos de <span class="elsevierStyleItalic">machine learning</span> cl&#225;sico y combinado&#46; Este proceso de aplanamiento tambi&#233;n se conoce como <span class="elsevierStyleItalic">image flattening&#46;</span></p></li><li class="elsevierStyleListItem" id="lsti0040"><span class="elsevierStyleLabel">4&#46;</span><p id="par0125" class="elsevierStylePara elsevierViewall">Balanceo de distribuci&#243;n de frecuencia de clases de im&#225;genes&#46; Las clases fueron balanceadas para evitar que los modelos tiendan a predecir solamente la clase mayoritaria para conseguir resultados &#243;ptimos en esta investigaci&#243;n&#46; Esto se logr&#243; mediante t&#233;cnicas de <span class="elsevierStyleItalic">data augmentation</span>&#44; o aumento de datos&#46; Este proceso tambi&#233;n se conoce como <span class="elsevierStyleItalic">data balancing&#46;</span></p></li><li class="elsevierStyleListItem" id="lsti0045"><span class="elsevierStyleLabel">5&#46;</span><p id="par0130" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Stacking model&#46;</span> Se utiliz&#243; un modelo <span class="elsevierStyleItalic">Random Forest</span> y una M&#225;quina de Soporte Vectorial &#40;<span class="elsevierStyleItalic">Support Vector Machine</span> &#91;SVM&#93;&#41; como modelos base&#44; para luego complementarlos con una regresi&#243;n log&#237;stica como modelo final&#46;</p></li><li class="elsevierStyleListItem" id="lsti0050"><span class="elsevierStyleLabel">6&#46;</span><p id="par0135" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Boosting model&#46;</span> Se emple&#243; un modelo <span class="elsevierStyleItalic">Adaptive Boosting</span><span class="elsevierStyleItalic">&#40;AdaBoost&#41;</span> para ser comparado con el anterior modelo&#46;</p></li><li class="elsevierStyleListItem" id="lsti0055"><span class="elsevierStyleLabel">7&#46;</span><p id="par0140" class="elsevierStylePara elsevierViewall">Comparaci&#243;n de modelos y presentaci&#243;n de resultados&#46; Se compararon los dos modelos previamente descritos para seleccionar el modelo que obtuvo los mejores resultados&#46;</p></li></ul></p><p id="par0145" class="elsevierStylePara elsevierViewall">En la <a class="elsevierStyleCrossRef" href="#fig0005">figura 1</a> se muestra el proceso de la arquitectura en fases para el diagn&#243;stico&#46;</p><elsevierMultimedia ident="fig0005"></elsevierMultimedia></span><span id="sec0045" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0105">Modelos de predicci&#243;n</span><p id="par0150" class="elsevierStylePara elsevierViewall">Los modelos predictivos utilizados fueron el modelo <span class="elsevierStyleItalic">Stacking</span> y el modelo <span class="elsevierStyleItalic">Boosting</span>&#46;</p><p id="par0155" class="elsevierStylePara elsevierViewall">El modelo <span class="elsevierStyleItalic">Stacking</span> utiliz&#243; como modelos base al modelo <span class="elsevierStyleItalic">Random Forest</span> y el modelo de la SVM&#44; para luego complementarlo con una regresi&#243;n log&#237;stica como modelo final&#46;</p><p id="par0160" class="elsevierStylePara elsevierViewall">El modelo <span class="elsevierStyleItalic">Boosting</span> utiliz&#243; el modelo <span class="elsevierStyleItalic">AdaBoost</span> para ser comparado con el modelo <span class="elsevierStyleItalic">Stacking</span>&#46; En la <a class="elsevierStyleCrossRef" href="#tbl0005">tabla 1</a> se describen los modelos utilizados en este estudio&#46;</p><elsevierMultimedia ident="tbl0005"></elsevierMultimedia><p id="par0165" class="elsevierStylePara elsevierViewall">Los par&#225;metros de la SVM fueron&#58;<ul class="elsevierStyleList" id="lis0020"><li class="elsevierStyleListItem" id="lsti0060"><span class="elsevierStyleLabel">&#8226;</span><p id="par0170" class="elsevierStylePara elsevierViewall">C es un par&#225;metro de penalizaci&#243;n que control&#243; el nivel de regularizaci&#243;n del modelo&#44; es decir&#44; es el inverso de la fuerza de regularizaci&#243;n&#46; Los valores m&#225;s peque&#241;os especifican una regularizaci&#243;n m&#225;s fuerte&#46;</p></li><li class="elsevierStyleListItem" id="lsti0065"><span class="elsevierStyleLabel">&#8226;</span><p id="par0175" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Kernel</span> es la funci&#243;n o hiperplano que se utiliz&#243; para separar las clases&#46;</p></li><li class="elsevierStyleListItem" id="lsti0070"><span class="elsevierStyleLabel">&#8226;</span><p id="par0180" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Gamma</span> se utiliz&#243; para controlar la forma de la funci&#243;n del <span class="elsevierStyleItalic">kernel&#46;</span></p></li></ul></p><p id="par0185" class="elsevierStylePara elsevierViewall">El par&#225;metro de la regresi&#243;n log&#237;stica fue&#58;<ul class="elsevierStyleList" id="lis0025"><li class="elsevierStyleListItem" id="lsti0075"><span class="elsevierStyleLabel">&#8226;</span><p id="par0190" class="elsevierStylePara elsevierViewall">C es un par&#225;metro de penalizaci&#243;n que se utiliz&#243; para controlar el nivel de regularizaci&#243;n del modelo&#44; es decir&#44; es el inverso de la fuerza de regularizaci&#243;n&#46; Al igual que en las SVM&#44; los valores m&#225;s peque&#241;os especifican una regularizaci&#243;n m&#225;s fuerte&#46;</p></li></ul></p><p id="par0195" class="elsevierStylePara elsevierViewall">Los par&#225;metros de <span class="elsevierStyleItalic">Random Forest</span> fueron&#58;<ul class="elsevierStyleList" id="lis0030"><li class="elsevierStyleListItem" id="lsti0080"><span class="elsevierStyleLabel">&#8226;</span><p id="par0200" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Number of trees</span> es un par&#225;metro que se utiliz&#243; para hacer referencia al n&#250;mero de &#225;rboles de decisi&#243;n&#46;</p></li><li class="elsevierStyleListItem" id="lsti0085"><span class="elsevierStyleLabel">&#8226;</span><p id="par0205" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Number of features</span> es un par&#225;metro que se utiliz&#243; para hacer referencia al n&#250;mero de variables que se consideran cuando se crea un &#225;rbol de decisi&#243;n&#46;</p></li><li class="elsevierStyleListItem" id="lsti0090"><span class="elsevierStyleLabel">&#8226;</span><p id="par0210" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Tree Depth</span> es un par&#225;metro que se utiliz&#243; para hacer referencia a la profundidad m&#225;xima que tiene cada &#225;rbol de decisi&#243;n&#46;</p></li></ul></p><p id="par0215" class="elsevierStylePara elsevierViewall">Los par&#225;metros del modelo <span class="elsevierStyleItalic">AdaBoost</span> fueron&#58;<ul class="elsevierStyleList" id="lis0035"><li class="elsevierStyleListItem" id="lsti0095"><span class="elsevierStyleLabel">&#8226;</span><p id="par0220" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Tree Depth</span> es un par&#225;metro que se utiliz&#243; para hacer referencia a la profundidad m&#225;xima que tiene cada &#225;rbol de decisi&#243;n&#46;</p></li><li class="elsevierStyleListItem" id="lsti0100"><span class="elsevierStyleLabel">&#8226;</span><p id="par0225" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Boosting</span> se enfoc&#243; en las muestras que se clasificaron incorrectamente en las iteraciones anteriores&#44; d&#225;ndoles m&#225;s peso para que el clasificador se enfoque en ellas y las clasifique correctamente en las iteraciones futuras&#46;</p></li><li class="elsevierStyleListItem" id="lsti0105"><span class="elsevierStyleLabel">&#8226;</span><p id="par0230" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">N rounds</span> es el n&#250;mero de iteraciones que se realiz&#243; en el entrenamiento&#46;</p></li></ul></p></span><span id="sec0050" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0110">Medidas de calidad</span><p id="par0235" class="elsevierStylePara elsevierViewall">Para evaluar los modelos de <span class="elsevierStyleItalic">machine learning</span> combinado se analizaron la exactitud&#44; la precisi&#243;n&#44; la exhaustividad y el valor-F1&#46; Para ello&#44; se aplic&#243; la t&#233;cnica de validaci&#243;n cruzada <span class="elsevierStyleItalic">K Folds</span> &#40;en la que K conjuntos de datos son generados aleatoriamente del conjunto original&#44; y se repite el entrenamiento K veces con cada conjunto de datos&#44; en este caso K<span class="elsevierStyleHsp" style=""></span>&#61;<span class="elsevierStyleHsp" style=""></span>5&#41;&#46; Tanto el balanceo de datos como la validaci&#243;n cruzada y los modelos combinados ayudan a prevenir el <span class="elsevierStyleItalic">overfitting</span>&#44; de tal manera que las predicciones sean adecuadas con el conjunto de datos de validaci&#243;n y con nuevos datos&#46;<ul class="elsevierStyleList" id="lis0040"><li class="elsevierStyleListItem" id="lsti0110"><span class="elsevierStyleLabel">1&#46;</span><p id="par0240" class="elsevierStylePara elsevierViewall">Precisi&#243;n <span class="elsevierStyleItalic">&#40;Precision&#41;</span>&#46; Con la m&#233;trica de precisi&#243;n medimos la calidad del modelo de <span class="elsevierStyleItalic">machine learning</span> en tareas de clasificaci&#243;n&#44; es decir&#44; hace referencia a la proporci&#243;n de predicciones positivas que son verdaderas&#46;</p></li><li class="elsevierStyleListItem" id="lsti0115"><span class="elsevierStyleLabel">2&#46;</span><p id="par0245" class="elsevierStylePara elsevierViewall">Exactitud <span class="elsevierStyleItalic">&#40;Accuracy&#41;</span>&#46; Medimos el porcentaje de casos que el modelo ha acertado&#44; es decir&#44; hace referencia a la proporci&#243;n de predicciones correctas que hace un modelo&#46;</p></li><li class="elsevierStyleListItem" id="lsti0120"><span class="elsevierStyleLabel">3&#46;</span><p id="par0250" class="elsevierStylePara elsevierViewall">Exhaustividad <span class="elsevierStyleItalic">&#40;Recall&#41;</span>&#46; La m&#233;trica de exhaustividad nos inform&#243; sobre la cantidad que el modelo de <span class="elsevierStyleItalic">machine learning</span> es capaz de identificar&#44; es decir hace referencia a la proporci&#243;n de verdaderos positivos que se identifican correctamente&#46;</p></li><li class="elsevierStyleListItem" id="lsti0125"><span class="elsevierStyleLabel">4&#46;</span><p id="par0255" class="elsevierStylePara elsevierViewall">Valor-F1 <span class="elsevierStyleItalic">&#40;F1-Score&#41;</span>&#46; M&#233;trica que nos ayud&#243; a combinar la precisi&#243;n y la exhaustividad en un solo valor obteniendo un promedio de los dos&#46; La m&#233;trica valor-F1 var&#237;a entre 0 &#40;m&#237;nimo valor posible&#41; y 1 &#40;m&#225;ximo valor posible&#41;&#46;</p></li></ul></p><p id="par0260" class="elsevierStylePara elsevierViewall">Todos los an&#225;lisis estad&#237;sticos se llevaron a cabo utilizando Python y sus m&#243;dulos de manipulaci&#243;n de datos&#44; visualizaci&#243;n y <span class="elsevierStyleItalic">machine learning</span>&#44; como Pandas&#44; Numpy&#44; Matplotlib y Scikit Learn&#46;</p></span></span><span id="sec0055" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0115">Resultados</span><p id="par0265" class="elsevierStylePara elsevierViewall">Una vez que se han ejecutado las fases de la arquitectura propuesta y la experimentaci&#243;n&#44; los valores finales de los par&#225;metros de los modelos de base de los modelos de <span class="elsevierStyleItalic">machine learning</span> fueron los siguientes&#58;</p><p id="par0270" class="elsevierStylePara elsevierViewall">En el caso de la SVM&#44; el valor de C fue establecido en 1&#44; <span class="elsevierStyleItalic">gamma</span> fue fijado en 0&#44;1 y el <span class="elsevierStyleItalic">kernel</span> utilizado fue el <span class="elsevierStyleItalic">RBF&#46;</span></p><p id="par0275" class="elsevierStylePara elsevierViewall">Para el modelo <span class="elsevierStyleItalic">Random Forest</span> se emplearon 50 &#225;rboles <span class="elsevierStyleItalic">&#40;number trees&#41;</span> y se defini&#243; una profundidad de &#225;rbol de 10 <span class="elsevierStyleItalic">&#40;tree depth&#41;</span>&#46; Adem&#225;s&#44; se seleccion&#243; un n&#250;mero de caracter&#237;sticas de 1 <span class="elsevierStyleItalic">&#40;number of features&#41;</span>&#46;</p><p id="par0280" class="elsevierStylePara elsevierViewall">En cuanto a la regresi&#243;n log&#237;stica&#44; C fue establecido en 1&#46;</p><p id="par0285" class="elsevierStylePara elsevierViewall">Por &#250;ltimo&#44; en el modelo <span class="elsevierStyleItalic">AdaBoost</span> la profundidad m&#225;xima del &#225;rbol <span class="elsevierStyleItalic">&#40;tree depth&#41;</span> fue establecida en 3 y se realizaron 100 rondas de impulso <span class="elsevierStyleItalic">&#40;N rounds&#41;</span>&#46;</p><span id="sec0060" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0120">Modelo <span class="elsevierStyleItalic">Stacking</span></span><p id="par0290" class="elsevierStylePara elsevierViewall">El modelo <span class="elsevierStyleItalic">Stacking</span> tuvo una exactitud del 94&#37;&#46; En la <a class="elsevierStyleCrossRef" href="#tbl0010">tabla 2</a> se muestran los resultados del an&#225;lisis estad&#237;stico de los modelos <span class="elsevierStyleItalic">Stacking</span> y <span class="elsevierStyleItalic">AdaBoost</span>&#46;</p><elsevierMultimedia ident="tbl0010"></elsevierMultimedia><p id="par0295" class="elsevierStylePara elsevierViewall">La matriz de confusi&#243;n del modelo <span class="elsevierStyleItalic">Stacking</span> mostr&#243; que este modelo realiz&#243; correctamente las predicciones&#44; visualizando resultados de predicci&#243;n en cada una de las clases &#243;ptimas para este estudio&#46;</p><p id="par0300" class="elsevierStylePara elsevierViewall">En la <a class="elsevierStyleCrossRef" href="#fig0010">figura 2</a> se visualiza la matriz de confusi&#243;n para el modelo <span class="elsevierStyleItalic">Stacking</span>&#46;</p><elsevierMultimedia ident="fig0010"></elsevierMultimedia></span><span id="sec0065" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0125">Modelo <span class="elsevierStyleItalic">AdaBoost</span></span><p id="par0305" class="elsevierStylePara elsevierViewall">El modelo <span class="elsevierStyleItalic">AdaBoost</span> tuvo una exactitud del 77&#37;&#46; En la <a class="elsevierStyleCrossRef" href="#tbl0010">tabla 2</a> se muestran los resultados del an&#225;lisis estad&#237;stico de los modelos <span class="elsevierStyleItalic">Stacking</span> y <span class="elsevierStyleItalic">AdaBoost</span>&#46; La matriz de confusi&#243;n del modelo <span class="elsevierStyleItalic">AdaBoost</span> mostr&#243; que este modelo no realiz&#243; predicciones tan efectivas como el modelo <span class="elsevierStyleItalic">Stacking</span>&#46;</p><p id="par0310" class="elsevierStylePara elsevierViewall">En la <a class="elsevierStyleCrossRef" href="#fig0015">figura 3</a> se visualiza la matriz de confusi&#243;n para el modelo <span class="elsevierStyleItalic">AdaBoost</span>&#46;</p><elsevierMultimedia ident="fig0015"></elsevierMultimedia></span></span><span id="sec0070" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0130">Discusi&#243;n</span><p id="par0315" class="elsevierStylePara elsevierViewall">Los resultados mostraron que el modelo <span class="elsevierStyleItalic">Stacking</span> present&#243; un mejor rendimiento y calidad de diagn&#243;stico para la detecci&#243;n del c&#225;ncer de pulm&#243;n que el modelo <span class="elsevierStyleItalic">AdaBoost</span>&#44; con un rendimiento general en t&#233;rminos de porcentaje del 94&#37;&#46; El modelo obtuvo una exactitud entre un rango del 89&#44;65&#37; al 98&#44;12&#37;&#44; con un intervalo de confianza del 95&#37;&#46; Adem&#225;s&#44; nuestros hallazgos respaldan la idea de que la combinaci&#243;n de m&#250;ltiples modelos de aprendizaje autom&#225;tico&#44; como se realiz&#243; en el modelo <span class="elsevierStyleItalic">Stacking</span>&#44; puede mejorar a&#250;n m&#225;s el rendimiento y la calidad de los resultados en el diagn&#243;stico del c&#225;ncer&#46;</p><p id="par0320" class="elsevierStylePara elsevierViewall">Por el contrario&#44; los resultados del modelo <span class="elsevierStyleItalic">AdaBoost</span> demostraron un rendimiento inferior al modelo <span class="elsevierStyleItalic">Stacking</span>&#44; con un rendimiento general del 77&#37;&#46; El modelo obtuvo una exactitud entre un rango del 68&#44;91&#37; al 83&#44;57&#37; con un intervalo de confianza del 95&#37;&#46;</p><p id="par0325" class="elsevierStylePara elsevierViewall">El modelo <span class="elsevierStyleItalic">Stacking</span> evit&#243; el <span class="elsevierStyleItalic">overfitting</span> utilizando la validaci&#243;n cruzada <span class="elsevierStyleItalic">K-Folds</span> para evaluar el rendimiento de generalizaci&#243;n del modelo base en diferentes subconjuntos de datos&#46; Es decir&#44; el conjunto original de datos se dividi&#243; en K particiones&#46; Cada partici&#243;n sirvi&#243; para entrenamiento y para prueba&#44; y as&#237; el modelo aprendi&#243; de una mejor manera&#46; Adem&#225;s&#44; el modelo <span class="elsevierStyleItalic">Staking</span> es un modelo que combina predicciones de m&#250;ltiples modelos subyacentes&#44; lo que reduce el riesgo de <span class="elsevierStyleItalic">overfitting</span> para instancias de entrenamiento espec&#237;ficas y explota la inteligencia colectiva de diferentes modelos&#46; As&#237; mismo&#44; la t&#233;cnica de balanceo de datos descart&#243; conjuntos de datos con clases desbalanceadas y mejor&#243; la generalizaci&#243;n o la robustez del modelo&#46; Mediante la combinaci&#243;n de estas estrategias&#44; los modelos apilados lograron un mejor equilibrio entre la complejidad del modelo y la generalizaci&#243;n&#44; lo que se traduce en predicciones m&#225;s fiables y precisas&#46;</p><p id="par0330" class="elsevierStylePara elsevierViewall">Tal como se esperaba&#44; los resultados demuestran que los modelos <span class="elsevierStyleItalic">Stacking</span> tienen una ventaja significativa en comparaci&#243;n con enfoques como <span class="elsevierStyleItalic">AdaBoost</span> y los m&#233;todos cl&#225;sicos de <span class="elsevierStyleItalic">machine learning</span>&#46; Estos modelos pueden combinar una variedad de algoritmos de diferentes familias&#44; lo que les permite aprovechar las fortalezas &#250;nicas de cada uno&#46; Esto conduce a un rendimiento m&#225;s s&#243;lido y vers&#225;til&#44; ya que cada modelo contribuye con su experiencia y enfoque para resolver el problema<a class="elsevierStyleCrossRef" href="#bib0080"><span class="elsevierStyleSup">8</span></a>&#46; Adem&#225;s&#44; el modelo <span class="elsevierStyleItalic">Stacking</span> permite ajustar la forma en que se combinan las predicciones de los modelos base&#44; lo que puede llevar a un rendimiento a&#250;n mejor&#46; Estas ventajas hacen que el modelo <span class="elsevierStyleItalic">Stacking</span> sea una t&#233;cnica valiosa en el campo del aprendizaje autom&#225;tico&#46;</p><p id="par0335" class="elsevierStylePara elsevierViewall">El modelo <span class="elsevierStyleItalic">Stacking</span> puede evitar eficazmente el infraentrenamiento <span class="elsevierStyleItalic">&#40;underfitting&#41;</span> empleando diversas t&#233;cnicas&#44; como el ajuste de hiperpar&#225;metros&#44; la incorporaci&#243;n de m&#233;todos de base diversos y el equilibrio de clases&#46; El ajuste de hiperpar&#225;metros permite al modelo <span class="elsevierStyleItalic">Stacking</span> afinar las opciones de configuraci&#243;n que rigen su proceso de aprendizaje&#46; Mediante el ajuste iterativo de hiperpar&#225;metros como la cantidad de &#225;rboles&#44; la intensidad de la regularizaci&#243;n o la m&#225;xima profundidad de cada &#225;rbol&#44; el modelo puede encontrar los ajustes &#243;ptimos que consigan un equilibrio entre complejidad y rendimiento&#46; Los m&#233;todos combinados&#44; como el modelo <span class="elsevierStyleItalic">Stacking</span>&#44; realizan la combinaci&#243;n de predicciones de varios modelos base y mejoran su capacidad para captar relaciones complejas en los datos&#46; Adem&#225;s&#44; las t&#233;cnicas de equilibrio de clases abordan los conjuntos de datos desequilibrados&#44; garantizando que el modelo de apilamiento no est&#233; sesgado hacia las clases con mayor cantidad de datos y pueda aprender eficazmente de todas las clases&#46; Mediante la integraci&#243;n de estas estrategias&#44; el modelo <span class="elsevierStyleItalic">Stacking</span> puede superar los problemas de <span class="elsevierStyleItalic">underfitting&#44;</span> mejorar su capacidad de predicci&#243;n y obtener un mejor rendimiento general&#46;</p><p id="par0340" class="elsevierStylePara elsevierViewall">Como se demostr&#243;&#44; el modelo <span class="elsevierStyleItalic">Stacking</span> muestra un excelente rendimiento en los datos de prueba&#44; detectando un mayor n&#250;mero de verdaderos positivos que de falsos positivos&#44; y esto tiene especial importancia en el diagn&#243;stico del c&#225;ncer de pulm&#243;n debido a que puede cambiar la vida del enfermo o tener cierto estigma &#40;no es adecuado preocupar o estigmatizar por error a alguien cuando en realidad es un falso positivo&#41; y cuando las consecuencias del tratamiento son relevantes para el paciente&#46; Adem&#225;s&#44; puede reducir gastos innecesarios tanto para los pacientes como para los sistemas sanitarios&#46; Esta precisi&#243;n diagn&#243;stica desempe&#241;a un papel crucial en el diagn&#243;stico precoz del c&#225;ncer de pulm&#243;n&#44; garantizando un tratamiento y un seguimiento oportunos y aumentando sus posibilidades de supervivencia&#46;</p><p id="par0345" class="elsevierStylePara elsevierViewall">Hoy en d&#237;a&#44; el c&#225;ncer de pulm&#243;n a menudo se diagnostica en etapas avanzadas&#44; lo que reduce las opciones de tratamiento y la tasa de supervivencia&#46; El uso de modelos de <span class="elsevierStyleItalic">machine learning</span> o aprendizaje autom&#225;tico puede tener un impacto significativo en el campo de la medicina y de la atenci&#243;n m&#233;dica oncol&#243;gica&#44; debido a que su uso puede mejorar significativamente la precisi&#243;n y la eficacia del diagn&#243;stico del c&#225;ncer de pulm&#243;n&#44; siendo crucial para mejorar la supervivencia y la calidad de vida de estos pacientes&#46; Aunque en la pr&#225;ctica cl&#237;nica queda un amplio camino para validar e integrar los modelos de <span class="elsevierStyleItalic">machine learning</span> para el diagn&#243;stico del c&#225;ncer de pulm&#243;n&#44; es necesario que los m&#233;dicos contin&#250;en sus esfuerzos para comprender su significado y su utilidad en la pr&#225;ctica cl&#237;nica debido a la valiosa informaci&#243;n que proporcionan en tiempos humanamente imposibles&#46;</p><p id="par0350" class="elsevierStylePara elsevierViewall">La implementaci&#243;n de la arquitectura de an&#225;lisis de im&#225;genes PET&#47;TC organizada en fases&#44; mediante la aplicaci&#243;n de m&#233;todos combinados de <span class="elsevierStyleItalic">machine learning</span> o <span class="elsevierStyleItalic">ensemble</span>&#44; permiti&#243; mejorar significativamente la detecci&#243;n del c&#225;ncer de pulm&#243;n&#46; Al dividir el proceso en fases&#44; como la recolecci&#243;n y la selecci&#243;n de im&#225;genes&#44; la transformaci&#243;n de im&#225;genes y el balanceo de distribuci&#243;n de frecuencia de clases&#44; se facilit&#243; la integraci&#243;n de modelos base diversos en <span class="elsevierStyleItalic">ensemble</span> o m&#233;todos combinados&#46; Los modelos combinados&#44; como el <span class="elsevierStyleItalic">Stacking</span> y el <span class="elsevierStyleItalic">Boosting</span>&#44; contribuyeron a mejorar el rendimiento general del sistema&#44; reducir el riesgo de <span class="elsevierStyleItalic">overfitting</span> y manejar la diversidad inherente a las im&#225;genes m&#233;dicas&#46; La ejecuci&#243;n del proceso de esta arquitectura proporcion&#243; resultados m&#225;s robustos y eficientes para la detecci&#243;n precoz del c&#225;ncer de pulm&#243;n&#44; contribuyendo as&#237; a avances significativos en la atenci&#243;n m&#233;dica y la mejora de los resultados cl&#237;nicos&#46;</p><p id="par0355" class="elsevierStylePara elsevierViewall">Las limitaciones de este estudio residen en el n&#250;mero de pacientes y que se trata de un estudio retrospectivo&#46; Ser&#237;a por tanto necesario realizar estudios prospectivos con mayor n&#250;mero de pacientes para poder validar los resultados de este estudio&#46; Adem&#225;s&#44; se necesitan m&#225;s estudios para validar el potencial de los modelos de <span class="elsevierStyleItalic">machine learning</span> en el campo de la medicina&#46;</p><p id="par0360" class="elsevierStylePara elsevierViewall">En conclusi&#243;n&#44; el modelo de <span class="elsevierStyleItalic">machine learning</span><span class="elsevierStyleItalic">Stacking</span> es una herramienta prometedora&#44; con un gran rendimiento y una gran calidad para la detecci&#243;n del c&#225;ncer de pulm&#243;n al analizar im&#225;genes PET&#47;TC&#46;</p></span><span id="sec0075" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0135">Aprobaci&#243;n &#233;tica</span><p id="par0365" class="elsevierStylePara elsevierViewall">El equipo queda sujeto al compromiso de confidencialidad en el manejo de los datos personales de los pacientes y no se aprecia ning&#250;n impedimento de tipo &#233;tico o legal para la realizaci&#243;n del estudio&#46;</p></span><span id="sec0080" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0140">Financiaci&#243;n</span><p id="par0370" class="elsevierStylePara elsevierViewall">Esta investigaci&#243;n no ha recibido ning&#250;n tipo de financiaci&#243;n externa&#46;</p></span><span id="sec0085" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0145">Conflicto de intereses</span><p id="par0375" class="elsevierStylePara elsevierViewall">Los autores declaran no tener ning&#250;n conflicto de intereses&#46;</p></span></span>"
    "textoCompletoSecciones" => array:1 [
      "secciones" => array:12 [
        0 => array:3 [
          "identificador" => "xres2150707"
          "titulo" => "Resumen"
          "secciones" => array:4 [
            0 => array:2 [
              "identificador" => "abst0005"
              "titulo" => "Introducci&#243;n y objetivos"
            ]
            1 => array:2 [
              "identificador" => "abst0010"
              "titulo" => "Material y m&#233;todos"
            ]
            2 => array:2 [
              "identificador" => "abst0015"
              "titulo" => "Resultados"
            ]
            3 => array:2 [
              "identificador" => "abst0020"
              "titulo" => "Conclusiones"
            ]
          ]
        ]
        1 => array:2 [
          "identificador" => "xpalclavsec1825730"
          "titulo" => "Palabras clave"
        ]
        2 => array:3 [
          "identificador" => "xres2150706"
          "titulo" => "Abstract"
          "secciones" => array:4 [
            0 => array:2 [
              "identificador" => "abst0025"
              "titulo" => "Introduction and objectives"
            ]
            1 => array:2 [
              "identificador" => "abst0030"
              "titulo" => "Material and methods"
            ]
            2 => array:2 [
              "identificador" => "abst0035"
              "titulo" => "Results"
            ]
            3 => array:2 [
              "identificador" => "abst0040"
              "titulo" => "Conclusions"
            ]
          ]
        ]
        3 => array:2 [
          "identificador" => "xpalclavsec1825729"
          "titulo" => "Keywords"
        ]
        4 => array:2 [
          "identificador" => "sec0005"
          "titulo" => "Introducci&#243;n"
        ]
        5 => array:3 [
          "identificador" => "sec0010"
          "titulo" => "Material y m&#233;todo"
          "secciones" => array:8 [
            0 => array:2 [
              "identificador" => "sec0015"
              "titulo" => "Dise&#241;o del estudio"
            ]
            1 => array:2 [
              "identificador" => "sec0020"
              "titulo" => "Hip&#243;tesis"
            ]
            2 => array:2 [
              "identificador" => "sec0025"
              "titulo" => "Poblaci&#243;n de estudio"
            ]
            3 => array:2 [
              "identificador" => "sec0030"
              "titulo" => "Balanceo del conjunto de datos"
            ]
            4 => array:2 [
              "identificador" => "sec0035"
              "titulo" => "T&#233;cnicas de estudio&#46; Radiotrazador&#44; protocolo de imagen utilizada en la base de datos p&#250;blica"
            ]
            5 => array:2 [
              "identificador" => "sec0040"
              "titulo" => "Fases de la arquitectura de este estudio"
            ]
            6 => array:2 [
              "identificador" => "sec0045"
              "titulo" => "Modelos de predicci&#243;n"
            ]
            7 => array:2 [
              "identificador" => "sec0050"
              "titulo" => "Medidas de calidad"
            ]
          ]
        ]
        6 => array:3 [
          "identificador" => "sec0055"
          "titulo" => "Resultados"
          "secciones" => array:2 [
            0 => array:2 [
              "identificador" => "sec0060"
              "titulo" => "Modelo Stacking"
            ]
            1 => array:2 [
              "identificador" => "sec0065"
              "titulo" => "Modelo AdaBoost"
            ]
          ]
        ]
        7 => array:2 [
          "identificador" => "sec0070"
          "titulo" => "Discusi&#243;n"
        ]
        8 => array:2 [
          "identificador" => "sec0075"
          "titulo" => "Aprobaci&#243;n &#233;tica"
        ]
        9 => array:2 [
          "identificador" => "sec0080"
          "titulo" => "Financiaci&#243;n"
        ]
        10 => array:2 [
          "identificador" => "sec0085"
          "titulo" => "Conflicto de intereses"
        ]
        11 => array:1 [
          "titulo" => "Bibliograf&#237;a"
        ]
      ]
    ]
    "pdfFichero" => "main.pdf"
    "tienePdf" => true
    "fechaRecibido" => "2023-10-15"
    "fechaAceptado" => "2024-01-29"
    "PalabrasClave" => array:2 [
      "es" => array:1 [
        0 => array:4 [
          "clase" => "keyword"
          "titulo" => "Palabras clave"
          "identificador" => "xpalclavsec1825730"
          "palabras" => array:3 [
            0 => "Machine learning"
            1 => "Tomograf&#237;a por emisi&#243;n de positrones"
            2 => "C&#225;ncer de pulm&#243;n"
          ]
        ]
      ]
      "en" => array:1 [
        0 => array:4 [
          "clase" => "keyword"
          "titulo" => "Keywords"
          "identificador" => "xpalclavsec1825729"
          "palabras" => array:3 [
            0 => "Machine learning"
            1 => "Positron emission tomography"
            2 => "Lung cancer"
          ]
        ]
      ]
    ]
    "tieneResumen" => true
    "resumen" => array:2 [
      "es" => array:3 [
        "titulo" => "Resumen"
        "resumen" => "<span id="abst0005" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0010">Introducci&#243;n y objetivos</span><p id="spar0005" class="elsevierStyleSimplePara elsevierViewall">El c&#225;ncer de pulm&#243;n es el segundo tipo de c&#225;ncer con mayor tasa de incidencia y el primero de mortalidad en el mundo&#46; El aprendizaje autom&#225;tico o <span class="elsevierStyleItalic">machine learning</span> a trav&#233;s del an&#225;lisis de pruebas de imagen como la tomograf&#237;a por emisi&#243;n de positrones&#47;tomograf&#237;a computarizada &#40;PET&#47;TC&#41; se ha convertido en una herramienta fundamental para la detecci&#243;n temprana y precisa del c&#225;ncer&#46; El objetivo de este estudio fue plantear una arquitectura de an&#225;lisis de im&#225;genes &#40;PET&#47;TC&#41; ordenada en fases mediante la aplicaci&#243;n de m&#233;todos de <span class="elsevierStyleItalic">machine learning</span> combinado o <span class="elsevierStyleItalic">ensemble</span> para la detecci&#243;n temprana del c&#225;ncer de pulm&#243;n analizando im&#225;genes PET&#47;TC&#46;</p></span> <span id="abst0010" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0015">Material y m&#233;todos</span><p id="spar0010" class="elsevierStyleSimplePara elsevierViewall">Se realiz&#243; un estudio retrospectivo de observaci&#243;n&#46; Se utiliz&#243; una base de datos p&#250;blica&#44; &#171;A large-scale CT and PET&#47;CT dataset for lung cancer diagnosis&#187;&#44; en la que se usaron modalidades de exploraciones&#58; TC&#44; PET e im&#225;genes fusionas PET&#47;TC&#46; Las fases de la arquitectura o marco de trabajo de este estudio fueron&#58; 1&#41;<span class="elsevierStyleHsp" style=""></span>carga o recolecci&#243;n de im&#225;genes&#59; 2&#41;<span class="elsevierStyleHsp" style=""></span>selecci&#243;n de im&#225;genes&#59; 3&#41;<span class="elsevierStyleHsp" style=""></span>transformaci&#243;n de im&#225;genes&#44; y 4&#41;<span class="elsevierStyleHsp" style=""></span>balanceo de distribuci&#243;n de frecuencia de clases de im&#225;genes&#46; Los modelos predictivos para la detecci&#243;n del c&#225;ncer de pulm&#243;n analizando im&#225;genes PET&#47;TC fueron&#58; a&#41;<span class="elsevierStyleHsp" style=""></span>el modelo <span class="elsevierStyleItalic">Stacking</span>&#44; el cual utiliz&#243; como modelos base al modelo <span class="elsevierStyleItalic">Random Forest</span> y el modelo M&#225;quina de Soporte Vectorial &#40;<span class="elsevierStyleItalic">Support Vector Machine</span> &#91;SVM&#93;&#41; para luego complementarlo con una regresi&#243;n log&#237;stica como modelo final&#44; y b&#41;<span class="elsevierStyleHsp" style=""></span>el modelo <span class="elsevierStyleItalic">Boosting</span>&#44; el cual utiliz&#243; el modelo <span class="elsevierStyleItalic">Adaptive Boosting</span><span class="elsevierStyleItalic">&#40;AdaBoost&#41;</span> para ser comparado con el modelo <span class="elsevierStyleItalic">Stacking&#46;</span> Las medidas de calidad utilizadas fueron&#58; precisi&#243;n&#44; exactitud&#44; exhaustividad&#44; valor-F1&#46;</p></span> <span id="abst0015" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0020">Resultados</span><p id="spar0015" class="elsevierStyleSimplePara elsevierViewall">En este estudio se pudo apreciar un rendimiento general del 94&#37; con el m&#233;todo de <span class="elsevierStyleItalic">Stacking</span> y un rendimiento general del 77&#37; con el m&#233;todo de <span class="elsevierStyleItalic">Boosting</span>&#46;</p></span> <span id="abst0020" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0025">Conclusiones</span><p id="spar0020" class="elsevierStyleSimplePara elsevierViewall">El m&#233;todo <span class="elsevierStyleItalic">Stacking</span> demostr&#243; ser un modelo con un gran rendimiento y calidad para la detecci&#243;n del c&#225;ncer de pulm&#243;n al analizar im&#225;genes PET&#47;TC&#46;</p></span>"
        "secciones" => array:4 [
          0 => array:2 [
            "identificador" => "abst0005"
            "titulo" => "Introducci&#243;n y objetivos"
          ]
          1 => array:2 [
            "identificador" => "abst0010"
            "titulo" => "Material y m&#233;todos"
          ]
          2 => array:2 [
            "identificador" => "abst0015"
            "titulo" => "Resultados"
          ]
          3 => array:2 [
            "identificador" => "abst0020"
            "titulo" => "Conclusiones"
          ]
        ]
      ]
      "en" => array:3 [
        "titulo" => "Abstract"
        "resumen" => "<span id="abst0025" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0035">Introduction and objectives</span><p id="spar0025" class="elsevierStyleSimplePara elsevierViewall">Lung cancer is the second type of cancer with the second highest incidence rate and the first with the highest mortality rate in the world&#46; Machine learning through the analysis of imaging tests such as positron emission tomography&#47;computed tomography &#40;PET&#47;CT&#41; has become a fundamental tool for the early and accurate detection of cancer&#46; The objective of this study was to propose an image analysis architecture &#40;PET&#47;CT&#41; ordered in phases through the application of ensemble or combined machine learning methods for the early detection of lung cancer by analyzing PET&#47;CT images&#46;</p></span> <span id="abst0030" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0040">Material and methods</span><p id="spar0030" class="elsevierStyleSimplePara elsevierViewall">A retrospective observational study was conducted utilizing a public dataset titled &#171;A large-scale CT and PET&#47;CT dataset for lung cancer diagnosis&#46;&#187; Various imaging modalities&#44; including CT&#44; PET&#44; and fused PET&#47;CT images&#44; were employed&#46; The architecture or framework of this study comprised the following phases&#58; 1&#46;<span class="elsevierStyleHsp" style=""></span>image loading or collection&#59; 2&#46;<span class="elsevierStyleHsp" style=""></span>image selection&#59; 3&#46;<span class="elsevierStyleHsp" style=""></span>image transformation&#44; and 4&#46;<span class="elsevierStyleHsp" style=""></span>balancing the frequency distribution of image classes&#46; Predictive models for lung cancer detection using PET&#47;CT images included&#58; a&#41;<span class="elsevierStyleHsp" style=""></span>the Stacking model&#44; which used Random Forest and Support Vector Machine &#40;SVM&#41; as base models and complemented them with a Logistic Regression model&#44; and b&#41;<span class="elsevierStyleHsp" style=""></span>the Boosting model&#44; which employed the Adaptive Boosting &#40;AdaBoost&#41; model for comparison with the Stacking model&#46; Quality metrics used for evaluation included accuracy&#44; precision&#44; recall&#44; and F1-score&#46;</p></span> <span id="abst0035" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0045">Results</span><p id="spar0035" class="elsevierStyleSimplePara elsevierViewall">This study showed a general performance of 94&#37; with the Stacking method and a general performance of 77&#37; with the Boosting method&#46;</p></span> <span id="abst0040" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0050">Conclusions</span><p id="spar0040" class="elsevierStyleSimplePara elsevierViewall">The Stacking method proved to be a model with high performance and quality for lung cancer detection when analyzing PET&#47;CT images&#46;</p></span>"
        "secciones" => array:4 [
          0 => array:2 [
            "identificador" => "abst0025"
            "titulo" => "Introduction and objectives"
          ]
          1 => array:2 [
            "identificador" => "abst0030"
            "titulo" => "Material and methods"
          ]
          2 => array:2 [
            "identificador" => "abst0035"
            "titulo" => "Results"
          ]
          3 => array:2 [
            "identificador" => "abst0040"
            "titulo" => "Conclusions"
          ]
        ]
      ]
    ]
    "multimedia" => array:5 [
      0 => array:7 [
        "identificador" => "fig0005"
        "etiqueta" => "Figura 1"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr1.jpeg"
            "Alto" => 2800
            "Ancho" => 2508
            "Tamanyo" => 407617
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0045" class="elsevierStyleSimplePara elsevierViewall">Arquitectura de an&#225;lisis de im&#225;genes &#40;PET&#47;TC&#41; ordenada en fases mediante <span class="elsevierStyleItalic">machine learning</span> combinado&#46;</p>"
        ]
      ]
      1 => array:7 [
        "identificador" => "fig0010"
        "etiqueta" => "Figura 2"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr2.jpeg"
            "Alto" => 1380
            "Ancho" => 1915
            "Tamanyo" => 87348
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0050" class="elsevierStyleSimplePara elsevierViewall">Matriz de confusi&#243;n para el modelo <span class="elsevierStyleItalic">Stacking&#46;</span></p>"
        ]
      ]
      2 => array:7 [
        "identificador" => "fig0015"
        "etiqueta" => "Figura 3"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr3.jpeg"
            "Alto" => 1382
            "Ancho" => 1909
            "Tamanyo" => 92686
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0055" class="elsevierStyleSimplePara elsevierViewall">Matriz de confusi&#243;n para el modelo <span class="elsevierStyleItalic">AdaBoost</span>&#46;</p>"
        ]
      ]
      3 => array:8 [
        "identificador" => "tbl0005"
        "etiqueta" => "Tabla 1"
        "tipo" => "MULTIMEDIATABLA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "detalles" => array:1 [
          0 => array:3 [
            "identificador" => "at1"
            "detalle" => "Tabla "
            "rol" => "short"
          ]
        ]
        "tabla" => array:1 [
          "tablatextoimagen" => array:1 [
            0 => array:2 [
              "tabla" => array:1 [
                0 => """
                  <table border="0" frame="\n
                  \t\t\t\t\tvoid\n
                  \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Modelo&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Par&#225;metros&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">SVM&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">C</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;1&#44; 1&#44; 10&#44; 100&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">Gamma</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;0001&#44; 0&#44;001&#44; 0&#44;01&#44; 0&#44;1&#44; 1&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">Kernel</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">Radial Basis Function &#40;RBF&#41;&#44; Polinomial&#44; Sigmoid</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">Random Forest</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">Number of trees</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">50&#44; 100&#44; 150&#44; 200&#44; 250&#44; 300&#44; 350&#44; 400&#44; 450&#44; 500&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">Number of features</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">1&#44; 2&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">Tree Depth</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">3&#44; 5&#44; 10&#44; 12&#44; 15&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Regresi&#243;n log&#237;stica&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">C</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">1&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">AdaBoost</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">Tree Depth</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">2&#44; 3&#44; 4&#44; 5&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">Boosting</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Verdadero&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t"><span class="elsevierStyleItalic">N&#95;rounds</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">50&#44; 100&#44; 150&#44; 200&#44; 250&#44; 300&#44; 350&#44; 400&#44; 450&#44; 500&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr></tbody></table>
                  """
              ]
              "imagenFichero" => array:1 [
                0 => "xTab3544337.png"
              ]
            ]
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0060" class="elsevierStyleSimplePara elsevierViewall">Modelos y par&#225;metros utilizados en el estudio</p>"
        ]
      ]
      4 => array:8 [
        "identificador" => "tbl0010"
        "etiqueta" => "Tabla 2"
        "tipo" => "MULTIMEDIATABLA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "detalles" => array:1 [
          0 => array:3 [
            "identificador" => "at2"
            "detalle" => "Tabla "
            "rol" => "short"
          ]
        ]
        "tabla" => array:1 [
          "tablatextoimagen" => array:1 [
            0 => array:2 [
              "tabla" => array:1 [
                0 => """
                  <table border="0" frame="\n
                  \t\t\t\t\tvoid\n
                  \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Medidas de calidad&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Modelo <span class="elsevierStyleItalic">Stacking</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Modelo <span class="elsevierStyleItalic">Boosting</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Precisi&#243;n&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;94&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;77&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Exactitud&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;94&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;77&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Exhaustividad&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;94&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;77&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Valor-F1&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;94&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">0&#44;77&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr></tbody></table>
                  """
              ]
              "imagenFichero" => array:1 [
                0 => "xTab3544338.png"
              ]
            ]
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0065" class="elsevierStyleSimplePara elsevierViewall">An&#225;lisis estad&#237;stico de los modelos <span class="elsevierStyleItalic">Stacking</span> y <span class="elsevierStyleItalic">AdaBoost</span></p>"
        ]
      ]
    ]
    "bibliografia" => array:2 [
      "titulo" => "Bibliograf&#237;a"
      "seccion" => array:1 [
        0 => array:2 [
          "identificador" => "bibs0015"
          "bibliografiaReferencia" => array:8 [
            0 => array:3 [
              "identificador" => "bib0045"
              "etiqueta" => "1"
              "referencia" => array:1 [
                0 => array:1 [
                  "referenciaCompleta" => "SEOM&#46; Las cifras del c&#225;ncer en Espa&#241;a 2023&#46; SEOM&#46; 2023 &#91;consultado 29 Sep 2023&#93;&#46; Disponible en&#58; <a target="_blank" href="https://seom.org/prensa/el-cancer-en-cifras">https&#58;&#47;&#47;seom&#46;org&#47;prensa&#47;el-cancer-en-cifras</a>"
                ]
              ]
            ]
            1 => array:3 [
              "identificador" => "bib0050"
              "etiqueta" => "2"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Gu&#237;a SEOM-SERAM-SEMNIM sobre el empleo de las t&#233;cnicas de imagen funcional y molecular en el c&#225;ncer de pulm&#243;n no microc&#237;tico avanzado"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "G&#46; Fern&#225;ndez P&#233;rez"
                            1 => "R&#46; S&#225;nchez Escribano"
                            2 => "A&#46;M&#46; Garc&#237;a Vicente"
                            3 => "A&#46; Luna Alcal&#225;"
                            4 => "J&#46; Ceballos Viro"
                            5 => "R&#46;C&#46; Delgado Bolton"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1016/j.rx.2018.01.007"
                      "Revista" => array:6 [
                        "tituloSerie" => "Radiologia&#46;"
                        "fecha" => "2018"
                        "volumen" => "60"
                        "paginaInicial" => "332"
                        "paginaFinal" => "346"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29807678"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            2 => array:3 [
              "identificador" => "bib0055"
              "etiqueta" => "3"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "La tomograf&#237;a por emisi&#243;n de positrones &#40;PET&#41; en oncolog&#237;a &#40;Parte I&#41;"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:4 [
                            0 => "C&#46; G&#225;mez Cenzano"
                            1 => "A&#46; Cabrera Villegas"
                            2 => "R&#46; Sopena Monforte"
                            3 => "M&#46;J&#46; Garc&#237;a Velloso"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:5 [
                        "tituloSerie" => "Rev Esp Med Nuclear&#46;"
                        "fecha" => "2002"
                        "volumen" => "21"
                        "paginaInicial" => "41"
                        "paginaFinal" => "60"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            3 => array:3 [
              "identificador" => "bib0060"
              "etiqueta" => "4"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Machine learning for lung cancer diagnosis&#44; treatment&#44; and prognosis"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:5 [
                            0 => "Y&#46; Li"
                            1 => "X&#46; Wu"
                            2 => "P&#46; Yang"
                            3 => "G&#46; Jiang"
                            4 => "Y&#46; Luo"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1016/j.gpb.2022.11.003"
                      "Revista" => array:6 [
                        "tituloSerie" => "Genomics Proteomics Bioinformatics&#46;"
                        "fecha" => "2022"
                        "volumen" => "20"
                        "paginaInicial" => "850"
                        "paginaFinal" => "866"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/36462630"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            4 => array:3 [
              "identificador" => "bib0065"
              "etiqueta" => "5"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Machine learning application in personalised lung cancer recurrence and survivability prediction"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:5 [
                            0 => "Y&#46; Yang"
                            1 => "L&#46; Xu"
                            2 => "L&#46; Sun"
                            3 => "P&#46; Zhang"
                            4 => "S&#46;S&#46; Farid"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1016/j.csbj.2022.03.035"
                      "Revista" => array:6 [
                        "tituloSerie" => "Comput Struct Biotechnol J&#46;"
                        "fecha" => "2022"
                        "volumen" => "20"
                        "paginaInicial" => "1811"
                        "paginaFinal" => "1820"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35521553"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            5 => array:3 [
              "identificador" => "bib0070"
              "etiqueta" => "6"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "A large-scale CT and PET&#47;CT dataset for lung cancer diagnosis &#91;Data set&#93;"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "P&#46; Li"
                            1 => "S&#46; Wang"
                            2 => "T&#46; Li"
                            3 => "J&#46; Lu"
                            4 => "Y&#46; HuangFu"
                            5 => "D&#46; Wang"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.7937/TCIA. 2020.NNC2-0461"
                      "Revista" => array:2 [
                        "tituloSerie" => "The Cancer Imaging Archive&#46;"
                        "fecha" => "2020"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            6 => array:3 [
              "identificador" => "bib0075"
              "etiqueta" => "7"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "The Cancer Imaging Archive &#40;TCIA&#41;&#58; Maintaining and operating a public information repository"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "K&#46; Clark"
                            1 => "B&#46; Vendt"
                            2 => "K&#46; Smith"
                            3 => "J&#46; Freymann"
                            4 => "J&#46; Kirby"
                            5 => "P&#46; Koppel"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1007/s10278-013-9622-7"
                      "Revista" => array:6 [
                        "tituloSerie" => "J Digit Imaging&#46;"
                        "fecha" => "2013"
                        "volumen" => "26"
                        "paginaInicial" => "1045"
                        "paginaFinal" => "1057"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/23884657"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            7 => array:3 [
              "identificador" => "bib0080"
              "etiqueta" => "8"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "A novel machine learning model with Stacking Ensemble Learner for predicting emergency readmission of heart-disease patients"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:5 [
                            0 => "A&#46; Ghasemieh"
                            1 => "A&#46; Lloyed"
                            2 => "P&#46; Bahrami"
                            3 => "P&#46; Vajar"
                            4 => "R&#46; Kashef"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:4 [
                        "tituloSerie" => "Decis Anal J&#46;"
                        "fecha" => "2023"
                        "volumen" => "7"
                        "paginaInicial" => "100242"
                      ]
                    ]
                  ]
                ]
              ]
            ]
          ]
        ]
      ]
    ]
  ]
  "idiomaDefecto" => "es"
  "url" => "/2253654X/0000004300000003/v1_202405210528/S2253654X24000076/v1_202405210528/es/main.assets"
  "Apartado" => array:4 [
    "identificador" => "7910"
    "tipo" => "SECCION"
    "es" => array:2 [
      "titulo" => "Originales"
      "idiomaDefecto" => true
    ]
    "idiomaDefecto" => "es"
  ]
  "PDF" => "https://static.elsevier.es/multimedia/2253654X/0000004300000003/v1_202405210528/S2253654X24000076/v1_202405210528/es/main.pdf?idApp=UINPBA00004N&text.app=https://www.elsevier.es/"
  "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2253654X24000076?idApp=UINPBA00004N"
]

Información del artículo

ISSN: 2253654X
Idioma original: Español

DOI:10.1016/j.remn.2024.500003

Datos actualizados diariamente

año/Mes	Html	Pdf	Total

2024 Septiembre	2	0	2
2024 Agosto	1	0	1
2024 Julio	6	5	11
2024 Junio	40	2	42
2024 Mayo	108	6	114
2024 Abril	11	2	13

Indexada en:

Síguenos:

Suscribirse:

Estadísticas

Indexada en:

Síguenos:

Suscribirse:

Estadísticas

Suscríbase a la newsletter