Inteligencia artificial para la detección de cáncer de pulmón:revisión descriptiva de estudios recientes (2021-2025)
Palabras clave:
Cáncer de pulmón, Diagnóstico, Tomografía computarizada (TC), Tomografía por emisión de positrones (PET), Rayos X, Inteligencia artificialResumen
El cáncer de pulmón es una de las principales causas de mortalidad mundial, y su detección temprana es clave para mejorar la supervivencia. Esta revisión sintetiza estudios recientes (2021–2025) sobre el uso de inteligencia artificial (IA) en el diagnóstico precoz del cáncer pulmonar, principalmente mediante análisis de imágenes médicas. Se recopilaron artículos de bases como Scopus, MDPI y Google Académico, en español e inglés, que emplearon modelos de aprendizaje profundo o automático. Los resultados destacan arquitecturas como EfficientNet y CNN+ViTs aplicadas a tomografías computarizadas, con precisiones superiores al 98\%, mientras que algoritmos clásicos como XGBoost y SVM mantienen alto desempeño en datos clínicos. Sin embargo, se identifican limitaciones relacionadas con la escasez de datos representativos, uso de datos sintéticos y falta de validación externa. En conjunto, la evidencia confirma el potencial de la IA para mejorar el diagnóstico temprano, aunque requiere mayor validación y solidez metodológica.
Descargas
Referencias
S. Wankhade y V. S., “A novel hybrid deep learning method for early detection of lung cancer using neural networks”, Healthcare Analytics, vol. 3, p´ag. 100 195, 2023, issn: 2772- 4425. doi: https://doi.org/10.1016/j.health.2023.100195. direcci´on: https://www.sciencedirect.com/science/article/pii/S277244252300062X.
E. Dritsas y M. Trigka, “Lung Cancer Risk Prediction with Machine Learning Models”, Big Data and Cognitive Computing, vol. 6, n.o 4, 2022, issn: 2504-2289. direcci´on: https://www.mdpi.com/2504-2289/6/4/139.
R. Raza et al., “Lung-EffNet: Lung cancer classification using EfficientNet from CT-scanimages”, Engineering Applications of Artificial Intelligence, vol. 126, p´ag. 106 902, 2023, issn: 0952-1976. doi: https://doi.org/10.1016/j.engappai.2023.106902. direcci´on: https: //www.sciencedirect.com/science/article/pii/S0952197623010862.
A. R. Wahab Sait, “Lung Cancer Detection Model Using Deep Learning Technique”, Applied Sciences, vol. 13, n.o 22, 2023, issn: 2076-3417. doi: 10 . 3390 / app132212510. direcci´on: https://www.mdpi.com/2076-3417/13/22/12510.
V. Sreeprada y D. K. Vedavathi, “Lung Cancer Detection from X-Ray Images using Hybrid Deep Learning Technique”, Procedia Computer Science, vol. 230, p´ags. 467-474, 2023, 3rd International Conference on Evolutionary Computing and Mobile Sustainable Networks (ICECMSN 2023), issn: 1877-0509. doi: https://doi.org/10.1016/j.procs.2023.12.102. direcci´on: https://www.sciencedirect.com/science/article/pii/S1877050923021075.
D. Srivastava et al., “Early Detection of Lung Nodules Using a Revolutionized Deep Learning Model”, Diagnostics, vol. 13, n.o 22, 2023, issn: 2075-4418. doi: 10.3390/diagnostics13223485. direcci´on: https://www.mdpi.com/2075-4418/13/22/3485.
A. Agarwal, K. Patni y R. D, “Lung Cancer Detection and Classification Based on Alexnet CNN”, en 2021 6th International Conference on Communication and Electronics Systems (ICCES), 2021, p´ags. 1390-1397. doi: 10.1109/ICCES51350.2021.9489033.
M. Bhuiyan et al., “Advancements in Early Detection of Lung Cancer in Public Health: A Comprehensive Study Utilizing Machine Learning Algorithms and Predictive Models”, Journal of Computer Science and Technology Studies, vol. 6, p´ags. 113-121, ene. de 2024. doi: 10.32996/jcsts.2024.6.1.12.
B. Ozdemir, E. Aslan e I. Pacal, “Attention Enhanced InceptionNeXt-Based Hybrid Deep Learning Model for Lung Cancer Detection”, IEEE Access, vol. 13, p´ags. 27 050-27 069, 2025. doi: 10.1109/ACCESS.2025.3539122.
A. Saha, S. M. Ganie, P. K. D. Pramanik, R. K. Yadav, S. Mallik y Z. Zhao, “VER-Net: a
hybrid transfer learning model for lung cancer detection using CT scan images”, BMC Medical Imaging, vol. 24, n.o 1, p´ag. 120, mayo de 2024, issn: 1471-2342. doi: 10.1186/s12880-02401238-z. direcci´on: https://doi.org/10.1186/s12880-024-01238-z
Descargas
Publicado
Declaración de disponibilidad de datos
Los artículos revisados se encuentran en la sección de referencias, donde se puede acceder a ellos a través de los enlaces proporcionados en dicha sección.
