license: cc-by-nc-4.0
language:
- es
library_name: pytorch
pipeline_tag: image-classification
tags:
- medical-imaging
- chest-x-ray
- pneumonia
- covid-19
- tuberculosis
- lung-segmentation
- research
rt26 · modelos
Pesos de los modelos del proyecto rt26, un prototipo de investigación que analiza radiografías de tórax para apoyar la detección de neumonía, COVID-19 y tuberculosis.
No es un dispositivo médico. No está validado clínicamente y sus resultados no constituyen un diagnóstico. Úsalos solo para investigación y docencia.
Archivos
| Archivo | Arquitectura | Tarea | Tamaño |
|---|---|---|---|
pneumonia_densenet121.pth |
DenseNet121 | Normal / neumonía | 27,1 MB |
pneumonia_resnet50.pth |
ResNet50 | Normal / neumonía | 90,0 MB |
pneumonia_efficientnet_b0.pth |
EfficientNet-B0 | Normal / neumonía | 15,6 MB |
covid_19_densenet121.pth |
DenseNet121 | Normal / COVID-19 | 27,1 MB |
covid_19_resnet50.pth |
ResNet50 | Normal / COVID-19 | 90,0 MB |
covid_19_efficientnet_b0.pth |
EfficientNet-B0 | Normal / COVID-19 | 15,6 MB |
tuberculosis_densenet121.pth |
DenseNet121 | Normal / tuberculosis | 27,1 MB |
tuberculosis_resnet50.pth |
ResNet50 | Normal / tuberculosis | 90,0 MB |
tuberculosis_efficientnet_b0.pth |
EfficientNet-B0 | Normal / tuberculosis | 15,6 MB |
unet_resnet34_best.pth |
U-Net (encoder ResNet34) | Segmentación pulmonar | 93,4 MB |
Cada archivo contiene solo {"model_state_dict": ...}, sin estado del optimizador ni historial de
entrenamiento, y se puede abrir con torch.load(..., weights_only=True).
Los tres clasificadores de cada enfermedad forman un ensemble: la aplicación promedia sus probabilidades (soft voting). Entrada: radiografía en escala de grises convertida a 3 canales, 224×224, normalizada con la media y desviación de ImageNet. La U-Net recibe 1 canal a 512×512.
Uso
La forma prevista es a través del repositorio de rt26, que los descarga y comprueba con
python backend/download_models.py. Para cargarlos por separado:
import torch, torchvision
from huggingface_hub import hf_hub_download
path = hf_hub_download("JRLR22/rt26-models", "pneumonia_densenet121.pth")
model = torchvision.models.densenet121(weights=None)
model.classifier = torch.nn.Linear(model.classifier.in_features, 2)
model.load_state_dict(torch.load(path, map_location="cpu", weights_only=True)["model_state_dict"])
model.eval()
Datos de entrenamiento
| Modelos | Dataset | Licencia |
|---|---|---|
| Neumonía | Chest X-Ray Images (Pneumonia): Kermany, Zhang y Goldbaum, Mendeley Data, DOI 10.17632/rscbjbr9sj.2. Pacientes pediátricos de 1 a 5 años | CC BY 4.0 |
| COVID-19 | COVID-19 Radiography Database: Chowdhury, Rahman, Khandakar et al. | Ver la página del dataset |
| Tuberculosis | Tuberculosis (TB) Chest X-ray Database: Rahman, Khandakar et al. | Ver la página del dataset |
| U-Net | Pulmonary Chest X-Ray Abnormalities: conjuntos Montgomery County y Shenzhen de la U.S. National Library of Medicine. Las máscaras de pulmón son las del conjunto Montgomery (138 radiografías) | Datos públicos de la NLM; se pide citar la fuente |
Métricas
Valores que muestra la aplicación rt26:
| Modelo | Exactitud | AUC | F1 |
|---|---|---|---|
| Ensemble neumonía | 92,75 % | 0,972 | 0,93 |
| Ensemble COVID-19 | 98,50 % | 0,991 | 0,98 |
| Ensemble tuberculosis | 97,80 % | 0,985 | 0,97 |
| U-Net | Dice 96,24 % |
En la validación guardada durante el entrenamiento, varios modelos llegan a exactitud y AUC de 1,0, en algunos casos tras una sola época. Un resultado así suele indicar un conjunto de validación pequeño o demasiado parecido al de entrenamiento, no un modelo infalible.
Limitaciones
- Cada enfermedad viene de un dataset distinto. Los modelos pueden aprender rasgos del origen de la imagen (equipo, contraste, marcas, edad) en lugar de la enfermedad.
- Sin validación externa. No se han evaluado con datos de otro hospital ni con revisión de radiólogos.
- Fuera de distribución. El modelo de neumonía se entrenó con niños de 1 a 5 años. Una imagen sin relación con el entrenamiento recibe igualmente una probabilidad.
- La U-Net se entrenó con 138 radiografías de un solo programa de cribado.
Detección YOLO
El proyecto incluye también un detector YOLOv8 de lesiones, que no se publica aquí: se entrenó con los datos de la competición VinBigData Chest X-ray Abnormalities Detection, cuyas reglas limitan su uso a fines no comerciales y de investigación. La aplicación funciona sin él.
Licencia
Los pesos se publican bajo CC BY-NC 4.0. Los datasets de entrenamiento mantienen sus propias licencias y condiciones.
Citas
- D. S. Kermany et al., "Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning", Cell 172(5):1122–1131, 2018. DOI 10.1016/j.cell.2018.02.010.
- M. E. H. Chowdhury et al., "Can AI help in screening Viral and COVID-19 pneumonia?", IEEE Access 8:132665–132676, 2020.
- T. Rahman et al., "Reliable Tuberculosis Detection using Chest X-ray with Deep Learning, Segmentation and Visualization", IEEE Access 8:191586–191601, 2020. DOI 10.1109/ACCESS.2020.3031384.
- S. Jaeger et al., "Two public chest X-ray datasets for computer-aided screening of pulmonary diseases", Quantitative Imaging in Medicine and Surgery 4(6):475–477, 2014.
- S. Jaeger et al., "Automatic tuberculosis screening using chest radiographs", IEEE Transactions on Medical Imaging 33(2):233–245, 2014. DOI 10.1109/TMI.2013.2284099.
- S. Candemir et al., "Lung segmentation in chest radiographs using anatomical atlases with nonrigid registration", IEEE Transactions on Medical Imaging 33(2):577–590, 2014. DOI 10.1109/TMI.2013.2290491.
Fuente de los conjuntos Montgomery y Shenzhen: National Library of Medicine, National Institutes of Health, Bethesda, MD, USA, y Shenzhen No.3 People's Hospital, Guangdong Medical College, Shenzhen, China.