se ha leído el artículo
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" => "<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 análisis de imágenes seriadas con la tomografía por emisión de positrones mediante la aplicación de <span class="elsevierStyleItalic">machine learning</span> 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" => "<p id="spar0015" class="elsevierStyleSimplePara elsevierViewall">Confusion matrix for the AdaBoost model.</p>" ] ] ] "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" => "<span class="elsevierStyleTextfn">Original</span>" "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" => "<p id="spar0045" class="elsevierStyleSimplePara elsevierViewall">Estudio de estadificación inicial de un paciente con cáncer rectal. A)<span class="elsevierStyleHsp" style=""></span>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)<span class="elsevierStyleHsp" style=""></span>Imagen PET con <span class="elsevierStyleSup">18</span>F-FDG y C)<span class="elsevierStyleHsp" style=""></span>corte PET/TC de fusión; la flecha señala un ganglio linfático mesorrectal sin captación de <span class="elsevierStyleSup">18</span>F-FDG. No se identificaron ganglios locorregionales patológicos, clasificándose como un estadio N0. El estudio histopatológico identificó 24 ganglios sin evidencia de metástasis (N0).</p>" ] ] ] "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" => "<span class="elsevierStyleTextfn">Original</span>" "titulo" => "Una arquitectura de análisis de imágenes seriadas con la tomografía por emisión de positrones mediante la aplicación de <span class="elsevierStyleItalic">machine learning</span> 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" => "<span class="elsevierStyleSup">a</span>" "identificador" => "aff0005" ] 1 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">*</span>" "identificador" => "cor0005" ] ] ] 1 => array:3 [ "nombre" => "R." "apellidos" => "Hurtado Ortiz" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">b</span>" "identificador" => "aff0010" ] ] ] 2 => array:3 [ "nombre" => "A." "apellidos" => "Jara Gavilanes" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">b</span>" "identificador" => "aff0010" ] ] ] 3 => array:3 [ "nombre" => "R." "apellidos" => "Ávila Faican" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">b</span>" "identificador" => "aff0010" ] ] ] 4 => array:3 [ "nombre" => "B." "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, 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" => "<p id="spar0045" class="elsevierStyleSimplePara elsevierViewall">Arquitectura de análisis de imágenes (PET/TC) ordenada en fases mediante <span class="elsevierStyleItalic">machine learning</span> combinado.</p>" ] ] ] "textoCompleto" => "<span class="elsevierStyleSections"><span id="sec0005" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0065">Introducción</span><p id="par0005" class="elsevierStylePara elsevierViewall">El 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"><span class="elsevierStyleSup">1</span></a>.</p><p id="par0010" class="elsevierStylePara elsevierViewall">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"><span class="elsevierStyleSup">2,3</span></a>.</p><p id="par0015" class="elsevierStylePara elsevierViewall">El aprendizaje automático o <span class="elsevierStyleItalic">machine learning</span> 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"><span class="elsevierStyleSup">4,5</span></a>.</p><p id="par0020" class="elsevierStylePara elsevierViewall">La idea fundamental y la ventaja de los métodos 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 múltiples modelos base. En lugar de depender de un único modelo, los métodos <span class="elsevierStyleItalic">ensemble</span> 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 <span class="elsevierStyleItalic">ensemble</span> mitigan el riesgo de sobreajuste o sobreentrenamiento <span class="elsevierStyleItalic">(overfitting)</span> 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 <span class="elsevierStyleItalic">machine learning</span>, 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 <span class="elsevierStyleItalic">ensemble</span>, al considerar múltiples perspectivas y enfoques, contribuye a su eficacia y al buen rendimiento en diversos conjuntos de datos.</p><p id="par0025" class="elsevierStylePara elsevierViewall">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 <span class="elsevierStyleItalic">machine learning ensemble</span> o combinado para la detección temprana del cáncer de pulmón analizando imágenes PET/TC.</p></span><span id="sec0010" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0070">Material y método</span><span id="sec0015" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0075">Diseño del estudio</span><p id="par0030" class="elsevierStylePara elsevierViewall">Se realizó un estudio retrospectivo de observación.</p></span><span id="sec0020" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0080">Hipótesis</span><p id="par0035" class="elsevierStylePara elsevierViewall">La implementación de una arquitectura de análisis de imágenes PET/TC organizada en fases, mediante la aplicación de métodos combinados de <span class="elsevierStyleItalic">machine learning</span> o <span class="elsevierStyleItalic">ensemble</span>, 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 <span class="elsevierStyleItalic">ensemble</span>. Los métodos combinados, como el <span class="elsevierStyleItalic">Stacking</span> y el <span class="elsevierStyleItalic">Boosting</span>, 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.</p></span><span id="sec0025" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0085">Población de estudio</span><p id="par0040" class="elsevierStylePara elsevierViewall">Se 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"><span class="elsevierStyleSup">6</span></a>, la cual se encuentra disponible en la página The Cancer Imaging Archive (https://www.cancerimagingarchive.net)<a class="elsevierStyleCrossRef" href="#bib0075"><span class="elsevierStyleSup">7</span></a>.</p><p id="par0045" class="elsevierStylePara elsevierViewall">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.</p><p id="par0050" class="elsevierStylePara elsevierViewall">Los criterios de inclusión fueron:<ul class="elsevierStyleList" id="lis0005"><li class="elsevierStyleListItem" id="lsti0005"><span class="elsevierStyleLabel">-</span><p id="par0055" class="elsevierStylePara elsevierViewall">Cáncer de pulmón confirmado histológicamente.</p></li><li class="elsevierStyleListItem" id="lsti0010"><span class="elsevierStyleLabel">-</span><p id="par0060" class="elsevierStylePara elsevierViewall">Poseer una 18F-FDG PET/TC basal.</p></li></ul></p><p id="par0065" class="elsevierStylePara elsevierViewall">Los criterios de exclusión fueron:<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.</p></li><li class="elsevierStyleListItem" id="lsti0020"><span class="elsevierStyleLabel">-</span><p id="par0075" class="elsevierStylePara elsevierViewall">Poseer únicamente una TC basal.</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 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.</p><p id="par0085" class="elsevierStylePara elsevierViewall">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.</p></span><span id="sec0035" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0095">Técnicas de estudio. Radiotrazador, protocolo de imagen utilizada en la base de datos pública</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/l.</p><p id="par0095" class="elsevierStylePara elsevierViewall">Posteriormente se administró a través de una inyección vía intravenosa el radiofármaco <span class="elsevierStyleSup">18</span>Fluor-Fluorodesoxiglucosa (18F-FDG) (4,44<span class="elsevierStyleHsp" style=""></span>MBq/kg, 0,12<span class="elsevierStyleHsp" style=""></span>mCi/kg). Se proporcionó 18F-FDG con una pureza radioquímica del 95%.</p><p id="par0100" class="elsevierStylePara elsevierViewall">La adquisición del PET/TC se realizó a los 60<span class="elsevierStyleHsp" style=""></span>minutos 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 (180<span class="elsevierStyleHsp" style=""></span>mAs, 120<span class="elsevierStyleHsp" style=""></span>kV, 1,0<span class="elsevierStyleHsp" style=""></span>paso). 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 ×<span class="elsevierStyleHsp" style=""></span>512 píxeles a 1<span class="elsevierStyleHsp" style=""></span>mm ×<span class="elsevierStyleHsp" style=""></span>1<span class="elsevierStyleHsp" style=""></span>mm, la resolución de PET fue de 200 ×<span class="elsevierStyleHsp" style=""></span>200 píxeles a 4,07<span class="elsevierStyleHsp" style=""></span>mm ×<span class="elsevierStyleHsp" style=""></span>4,07<span class="elsevierStyleHsp" style=""></span>mm, con un grosor de corte y una distancia entre cortes de 1<span class="elsevierStyleHsp" style=""></span>mm. 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 1<span class="elsevierStyleHsp" style=""></span>mm.</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:<ul class="elsevierStyleList" id="lis0015"><li class="elsevierStyleListItem" id="lsti0025"><span class="elsevierStyleLabel">1.</span><p id="par0110" class="elsevierStylePara elsevierViewall">Carga o recolección de imágenes. Hace referencia al conjunto de imágenes con el cual se procedió a aplicar los diferentes modelos de <span class="elsevierStyleItalic">ensamble</span>. El proceso de recolección de datos también se conoce como <span class="elsevierStyleItalic">data gathering.</span></p></li><li class="elsevierStyleListItem" id="lsti0030"><span class="elsevierStyleLabel">2.</span><p id="par0115" class="elsevierStylePara elsevierViewall">Selección de imágenes. Se seleccionó solamente los estudios PET/TC, en los que se enfoca este trabajo.</p></li><li class="elsevierStyleListItem" id="lsti0035"><span class="elsevierStyleLabel">3.</span><p id="par0120" class="elsevierStylePara elsevierViewall">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 <span class="elsevierStyleItalic">machine learning</span> clásico y combinado. Este proceso de aplanamiento también se conoce como <span class="elsevierStyleItalic">image flattening.</span></p></li><li class="elsevierStyleListItem" id="lsti0040"><span class="elsevierStyleLabel">4.</span><p id="par0125" class="elsevierStylePara elsevierViewall">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 <span class="elsevierStyleItalic">data augmentation</span>, o aumento de datos. Este proceso también se conoce como <span class="elsevierStyleItalic">data balancing.</span></p></li><li class="elsevierStyleListItem" id="lsti0045"><span class="elsevierStyleLabel">5.</span><p id="par0130" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Stacking model.</span> Se utilizó un modelo <span class="elsevierStyleItalic">Random Forest</span> y una Máquina de Soporte Vectorial (<span class="elsevierStyleItalic">Support Vector Machine</span> [SVM]) como modelos base, para luego complementarlos con una regresión logística como modelo final.</p></li><li class="elsevierStyleListItem" id="lsti0050"><span class="elsevierStyleLabel">6.</span><p id="par0135" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Boosting model.</span> Se empleó un modelo <span class="elsevierStyleItalic">Adaptive Boosting</span><span class="elsevierStyleItalic">(AdaBoost)</span> para ser comparado con el anterior modelo.</p></li><li class="elsevierStyleListItem" id="lsti0055"><span class="elsevierStyleLabel">7.</span><p id="par0140" class="elsevierStylePara elsevierViewall">Comparación de modelos y presentación de resultados. Se compararon los dos modelos previamente descritos para seleccionar el modelo que obtuvo los mejores resultados.</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 diagnóstico.</p><elsevierMultimedia ident="fig0005"></elsevierMultimedia></span><span id="sec0045" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0105">Modelos de predicción</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>.</p><p id="par0155" class="elsevierStylePara elsevierViewall">El modelo <span class="elsevierStyleItalic">Stacking</span> utilizó como modelos base al modelo <span class="elsevierStyleItalic">Random Forest</span> y el modelo de la SVM, para luego complementarlo con una regresión logística como modelo final.</p><p id="par0160" class="elsevierStylePara elsevierViewall">El modelo <span class="elsevierStyleItalic">Boosting</span> utilizó el modelo <span class="elsevierStyleItalic">AdaBoost</span> para ser comparado con el modelo <span class="elsevierStyleItalic">Stacking</span>. En la <a class="elsevierStyleCrossRef" href="#tbl0005">tabla 1</a> se describen los modelos utilizados en este estudio.</p><elsevierMultimedia ident="tbl0005"></elsevierMultimedia><p id="par0165" class="elsevierStylePara elsevierViewall">Los parámetros de la SVM fueron:<ul class="elsevierStyleList" id="lis0020"><li class="elsevierStyleListItem" id="lsti0060"><span class="elsevierStyleLabel">•</span><p id="par0170" class="elsevierStylePara elsevierViewall">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.</p></li><li class="elsevierStyleListItem" id="lsti0065"><span class="elsevierStyleLabel">•</span><p id="par0175" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Kernel</span> es la función o hiperplano que se utilizó para separar las clases.</p></li><li class="elsevierStyleListItem" id="lsti0070"><span class="elsevierStyleLabel">•</span><p id="par0180" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Gamma</span> se utilizó para controlar la forma de la función del <span class="elsevierStyleItalic">kernel.</span></p></li></ul></p><p id="par0185" class="elsevierStylePara elsevierViewall">El parámetro de la regresión logística fue:<ul class="elsevierStyleList" id="lis0025"><li class="elsevierStyleListItem" id="lsti0075"><span class="elsevierStyleLabel">•</span><p id="par0190" class="elsevierStylePara elsevierViewall">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.</p></li></ul></p><p id="par0195" class="elsevierStylePara elsevierViewall">Los parámetros de <span class="elsevierStyleItalic">Random Forest</span> fueron:<ul class="elsevierStyleList" id="lis0030"><li class="elsevierStyleListItem" id="lsti0080"><span class="elsevierStyleLabel">•</span><p id="par0200" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Number of trees</span> es un parámetro que se utilizó para hacer referencia al número de árboles de decisión.</p></li><li class="elsevierStyleListItem" id="lsti0085"><span class="elsevierStyleLabel">•</span><p id="par0205" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Number of features</span> es un parámetro que se utilizó para hacer referencia al número de variables que se consideran cuando se crea un árbol de decisión.</p></li><li class="elsevierStyleListItem" id="lsti0090"><span class="elsevierStyleLabel">•</span><p id="par0210" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Tree Depth</span> es un parámetro que se utilizó para hacer referencia a la profundidad máxima que tiene cada árbol de decisión.</p></li></ul></p><p id="par0215" class="elsevierStylePara elsevierViewall">Los parámetros del modelo <span class="elsevierStyleItalic">AdaBoost</span> fueron:<ul class="elsevierStyleList" id="lis0035"><li class="elsevierStyleListItem" id="lsti0095"><span class="elsevierStyleLabel">•</span><p id="par0220" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Tree Depth</span> es un parámetro que se utilizó para hacer referencia a la profundidad máxima que tiene cada árbol de decisión.</p></li><li class="elsevierStyleListItem" id="lsti0100"><span class="elsevierStyleLabel">•</span><p id="par0225" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Boosting</span> 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.</p></li><li class="elsevierStyleListItem" id="lsti0105"><span class="elsevierStyleLabel">•</span><p id="par0230" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">N rounds</span> es el número de iteraciones que se realizó en el entrenamiento.</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, la precisión, la exhaustividad y el valor-F1. Para ello, se aplicó la técnica de validación cruzada <span class="elsevierStyleItalic">K Folds</span> (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<span class="elsevierStyleHsp" style=""></span>=<span class="elsevierStyleHsp" style=""></span>5). Tanto el balanceo de datos como la validación cruzada y los modelos combinados ayudan a prevenir el <span class="elsevierStyleItalic">overfitting</span>, 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"><span class="elsevierStyleLabel">1.</span><p id="par0240" class="elsevierStylePara elsevierViewall">Precisión <span class="elsevierStyleItalic">(Precision)</span>. Con la métrica de precisión medimos la calidad del modelo de <span class="elsevierStyleItalic">machine learning</span> en tareas de clasificación, es decir, hace referencia a la proporción de predicciones positivas que son verdaderas.</p></li><li class="elsevierStyleListItem" id="lsti0115"><span class="elsevierStyleLabel">2.</span><p id="par0245" class="elsevierStylePara elsevierViewall">Exactitud <span class="elsevierStyleItalic">(Accuracy)</span>. Medimos el porcentaje de casos que el modelo ha acertado, es decir, hace referencia a la proporción de predicciones correctas que hace un modelo.</p></li><li class="elsevierStyleListItem" id="lsti0120"><span class="elsevierStyleLabel">3.</span><p id="par0250" class="elsevierStylePara elsevierViewall">Exhaustividad <span class="elsevierStyleItalic">(Recall)</span>. La métrica de exhaustividad nos informó sobre la cantidad que el modelo de <span class="elsevierStyleItalic">machine learning</span> es capaz de identificar, es decir hace referencia a la proporción de verdaderos positivos que se identifican correctamente.</p></li><li class="elsevierStyleListItem" id="lsti0125"><span class="elsevierStyleLabel">4.</span><p id="par0255" class="elsevierStylePara elsevierViewall">Valor-F1 <span class="elsevierStyleItalic">(F1-Score)</span>. 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).</p></li></ul></p><p id="par0260" class="elsevierStylePara elsevierViewall">Todos los análisis estadísticos se llevaron a cabo utilizando Python y sus módulos de manipulación de datos, visualización y <span class="elsevierStyleItalic">machine learning</span>, como Pandas, Numpy, Matplotlib y Scikit Learn.</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 experimentación, los valores finales de los parámetros de los modelos de base de los modelos de <span class="elsevierStyleItalic">machine learning</span> fueron los siguientes:</p><p id="par0270" class="elsevierStylePara elsevierViewall">En el caso de la SVM, el valor de C fue establecido en 1, <span class="elsevierStyleItalic">gamma</span> fue fijado en 0,1 y el <span class="elsevierStyleItalic">kernel</span> utilizado fue el <span class="elsevierStyleItalic">RBF.</span></p><p id="par0275" class="elsevierStylePara elsevierViewall">Para el modelo <span class="elsevierStyleItalic">Random Forest</span> se emplearon 50 árboles <span class="elsevierStyleItalic">(number trees)</span> y se definió una profundidad de árbol de 10 <span class="elsevierStyleItalic">(tree depth)</span>. Además, se seleccionó un número de características de 1 <span class="elsevierStyleItalic">(number of features)</span>.</p><p id="par0280" class="elsevierStylePara elsevierViewall">En cuanto a la regresión logística, C fue establecido en 1.</p><p id="par0285" class="elsevierStylePara elsevierViewall">Por último, en el modelo <span class="elsevierStyleItalic">AdaBoost</span> la profundidad máxima del árbol <span class="elsevierStyleItalic">(tree depth)</span> fue establecida en 3 y se realizaron 100 rondas de impulso <span class="elsevierStyleItalic">(N rounds)</span>.</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%. En la <a class="elsevierStyleCrossRef" href="#tbl0010">tabla 2</a> se muestran los resultados del análisis estadístico de los modelos <span class="elsevierStyleItalic">Stacking</span> y <span class="elsevierStyleItalic">AdaBoost</span>.</p><elsevierMultimedia ident="tbl0010"></elsevierMultimedia><p id="par0295" class="elsevierStylePara elsevierViewall">La matriz de confusión del modelo <span class="elsevierStyleItalic">Stacking</span> mostró que este modelo realizó correctamente las predicciones, visualizando resultados de predicción en cada una de las clases óptimas para este estudio.</p><p id="par0300" class="elsevierStylePara elsevierViewall">En la <a class="elsevierStyleCrossRef" href="#fig0010">figura 2</a> se visualiza la matriz de confusión para el modelo <span class="elsevierStyleItalic">Stacking</span>.</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%. En la <a class="elsevierStyleCrossRef" href="#tbl0010">tabla 2</a> se muestran los resultados del análisis estadístico de los modelos <span class="elsevierStyleItalic">Stacking</span> y <span class="elsevierStyleItalic">AdaBoost</span>. La matriz de confusión del modelo <span class="elsevierStyleItalic">AdaBoost</span> mostró que este modelo no realizó predicciones tan efectivas como el modelo <span class="elsevierStyleItalic">Stacking</span>.</p><p id="par0310" class="elsevierStylePara elsevierViewall">En la <a class="elsevierStyleCrossRef" href="#fig0015">figura 3</a> se visualiza la matriz de confusión para el modelo <span class="elsevierStyleItalic">AdaBoost</span>.</p><elsevierMultimedia ident="fig0015"></elsevierMultimedia></span></span><span id="sec0070" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0130">Discusión</span><p id="par0315" class="elsevierStylePara elsevierViewall">Los resultados mostraron que el modelo <span class="elsevierStyleItalic">Stacking</span> presentó un mejor rendimiento y calidad de diagnóstico para la detección del cáncer de pulmón que el modelo <span class="elsevierStyleItalic">AdaBoost</span>, 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 <span class="elsevierStyleItalic">Stacking</span>, puede mejorar aún más el rendimiento y la calidad de los resultados en el diagnóstico del cáncer.</p><p id="par0320" class="elsevierStylePara elsevierViewall">Por el contrario, los resultados del modelo <span class="elsevierStyleItalic">AdaBoost</span> demostraron un rendimiento inferior al modelo <span class="elsevierStyleItalic">Stacking</span>, 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%.</p><p id="par0325" class="elsevierStylePara elsevierViewall">El modelo <span class="elsevierStyleItalic">Stacking</span> evitó el <span class="elsevierStyleItalic">overfitting</span> utilizando la validación cruzada <span class="elsevierStyleItalic">K-Folds</span> 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 <span class="elsevierStyleItalic">Staking</span> es un modelo que combina predicciones de múltiples modelos subyacentes, lo que reduce el riesgo de <span class="elsevierStyleItalic">overfitting</span> 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.</p><p id="par0330" class="elsevierStylePara elsevierViewall">Tal como se esperaba, los resultados demuestran que los modelos <span class="elsevierStyleItalic">Stacking</span> tienen una ventaja significativa en comparación con enfoques como <span class="elsevierStyleItalic">AdaBoost</span> y los métodos clásicos de <span class="elsevierStyleItalic">machine learning</span>. 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"><span class="elsevierStyleSup">8</span></a>. Además, el modelo <span class="elsevierStyleItalic">Stacking</span> 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 <span class="elsevierStyleItalic">Stacking</span> sea una técnica valiosa en el campo del aprendizaje automático.</p><p id="par0335" class="elsevierStylePara elsevierViewall">El modelo <span class="elsevierStyleItalic">Stacking</span> puede evitar eficazmente el infraentrenamiento <span class="elsevierStyleItalic">(underfitting)</span> 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 <span class="elsevierStyleItalic">Stacking</span> 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 <span class="elsevierStyleItalic">Stacking</span>, 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 <span class="elsevierStyleItalic">Stacking</span> puede superar los problemas de <span class="elsevierStyleItalic">underfitting,</span> mejorar su capacidad de predicción y obtener un mejor rendimiento general.</p><p id="par0340" class="elsevierStylePara elsevierViewall">Como se demostró, el modelo <span class="elsevierStyleItalic">Stacking</span> 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.</p><p id="par0345" class="elsevierStylePara elsevierViewall">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 <span class="elsevierStyleItalic">machine learning</span> 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 <span class="elsevierStyleItalic">machine learning</span> 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.</p><p id="par0350" class="elsevierStylePara elsevierViewall">La implementación de la arquitectura de análisis de imágenes PET/TC organizada en fases, mediante la aplicación de métodos combinados de <span class="elsevierStyleItalic">machine learning</span> o <span class="elsevierStyleItalic">ensemble</span>, 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 <span class="elsevierStyleItalic">ensemble</span> o métodos combinados. Los modelos combinados, como el <span class="elsevierStyleItalic">Stacking</span> y el <span class="elsevierStyleItalic">Boosting</span>, contribuyeron a mejorar el rendimiento general del sistema, reducir el riesgo de <span class="elsevierStyleItalic">overfitting</span> 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.</p><p id="par0355" class="elsevierStylePara elsevierViewall">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 <span class="elsevierStyleItalic">machine learning</span> en el campo de la medicina.</p><p id="par0360" class="elsevierStylePara elsevierViewall">En conclusión, el modelo de <span class="elsevierStyleItalic">machine learning</span><span class="elsevierStyleItalic">Stacking</span> es una herramienta prometedora, con un gran rendimiento y una gran calidad para la detección del cáncer de pulmón al analizar imágenes PET/TC.</p></span><span id="sec0075" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0135">Aprobación ética</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 ningún impedimento de tipo ético o legal para la realización del estudio.</p></span><span id="sec0080" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0140">Financiación</span><p id="par0370" class="elsevierStylePara elsevierViewall">Esta investigación no ha recibido ningún tipo de financiación externa.</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 ningún conflicto de intereses.</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" => "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" => "<span id="abst0005" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0010">Introducción y objetivos</span><p id="spar0005" class="elsevierStyleSimplePara elsevierViewall">El 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 <span class="elsevierStyleItalic">machine learning</span> 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 <span class="elsevierStyleItalic">machine learning</span> combinado o <span class="elsevierStyleItalic">ensemble</span> para la detección temprana del cáncer de pulmón analizando imágenes PET/TC.</p></span> <span id="abst0010" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0015">Material y métodos</span><p id="spar0010" class="elsevierStyleSimplePara elsevierViewall">Se 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)<span class="elsevierStyleHsp" style=""></span>carga o recolección de imágenes; 2)<span class="elsevierStyleHsp" style=""></span>selección de imágenes; 3)<span class="elsevierStyleHsp" style=""></span>transformación de imágenes, y 4)<span class="elsevierStyleHsp" style=""></span>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)<span class="elsevierStyleHsp" style=""></span>el modelo <span class="elsevierStyleItalic">Stacking</span>, el cual utilizó como modelos base al modelo <span class="elsevierStyleItalic">Random Forest</span> y el modelo Máquina de Soporte Vectorial (<span class="elsevierStyleItalic">Support Vector Machine</span> [SVM]) para luego complementarlo con una regresión logística como modelo final, y b)<span class="elsevierStyleHsp" style=""></span>el modelo <span class="elsevierStyleItalic">Boosting</span>, el cual utilizó el modelo <span class="elsevierStyleItalic">Adaptive Boosting</span><span class="elsevierStyleItalic">(AdaBoost)</span> para ser comparado con el modelo <span class="elsevierStyleItalic">Stacking.</span> Las medidas de calidad utilizadas fueron: precisión, exactitud, exhaustividad, valor-F1.</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% con el método de <span class="elsevierStyleItalic">Stacking</span> y un rendimiento general del 77% con el método de <span class="elsevierStyleItalic">Boosting</span>.</p></span> <span id="abst0020" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0025">Conclusiones</span><p id="spar0020" class="elsevierStyleSimplePara elsevierViewall">El método <span class="elsevierStyleItalic">Stacking</span> demostró ser un modelo con un gran rendimiento y calidad para la detección del cáncer de pulmón al analizar imágenes PET/TC.</p></span>" "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" => "<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. 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.</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 «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.<span class="elsevierStyleHsp" style=""></span>image loading or collection; 2.<span class="elsevierStyleHsp" style=""></span>image selection; 3.<span class="elsevierStyleHsp" style=""></span>image transformation, and 4.<span class="elsevierStyleHsp" style=""></span>balancing the frequency distribution of image classes. Predictive models for lung cancer detection using PET/CT images included: a)<span class="elsevierStyleHsp" style=""></span>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)<span class="elsevierStyleHsp" style=""></span>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.</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% with the Stacking method and a general performance of 77% with the Boosting method.</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/CT images.</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 análisis de imágenes (PET/TC) ordenada en fases mediante <span class="elsevierStyleItalic">machine learning</span> combinado.</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 confusión para el modelo <span class="elsevierStyleItalic">Stacking.</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 confusión para el modelo <span class="elsevierStyleItalic">AdaBoost</span>.</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 \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"><span class="elsevierStyleItalic">C</span> \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"><span class="elsevierStyleItalic">Gamma</span> \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"><span class="elsevierStyleItalic">Kernel</span> \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 (RBF), Polinomial, Sigmoid</span> \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> \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> \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"><span class="elsevierStyleItalic">Number of features</span> \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"><span class="elsevierStyleItalic">Tree Depth</span> \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"><span class="elsevierStyleItalic">C</span> \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"><span class="elsevierStyleItalic">AdaBoost</span> \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> \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"><span class="elsevierStyleItalic">Boosting</span> \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"><span class="elsevierStyleItalic">N_rounds</span> \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" => "<p id="spar0060" class="elsevierStyleSimplePara elsevierViewall">Modelos y parámetros 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 \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> \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> \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" => "<p id="spar0065" class="elsevierStyleSimplePara elsevierViewall">Análisis estadístico de los modelos <span class="elsevierStyleItalic">Stacking</span> y <span class="elsevierStyleItalic">AdaBoost</span></p>" ] ] ] "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" ]
año/Mes | Html | 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 |