El grosor de un corte de tejido cerebral es de solo 5 micras, veinte veces más delgado que un cabello humano. En ese corte, el patólogo busca signos de tumor: formas nucleares alteradas, apiñamiento celular, vasos anómalos. Es una labor minuciosa, y dos especialistas pueden discrepar sobre la misma imagen. En esta situación, la red neuronal no sustituye al médico, sino que actúa como un segundo par de ojos que examina la imagen con la incansable constancia de una máquina y una precisión que se mide en fracciones de punto porcentual.

Una red con conexiones densas es como un equipo en el que cada capa escucha a todas las anteriores, no solo a la más cercana. En DenseNet-121, cada bloque recibe como entrada no solo el resultado del bloque previo, sino también todos los mapas de características más tempranos. La información no se pierde por el camino, como en el juego del teléfono descompuesto, sino que se acumula en una visión global. En ResNet-50, las conexiones son más cortas: los caminos de salto saltan una o dos capas, y los vecinos más lejanos tienen que transmitir mensajes a través de intermediarios. Al transferir el conocimiento de una tarea grande a una pequeña, el aprendizaje por transferencia, el equipo denso resulta más cohesionado: encuentra patrones más rápido en el conjunto reducido de 2931 imágenes.

El ajuste fino en dos etapas, con congelación y posterior descongelación de los bloques profundos, junto con una agresiva aumentación de datos, es decir, la expansión artificial del conjunto mediante rotaciones, reflejos y desplazamientos aleatorios, permitió evitar el sobreajuste. La red aprendió a extraer características estables de la enfermedad, en lugar de memorizar imágenes concretas. En el conjunto de prueba reservado, DenseNet-121 logró una precisión del 88,35%, mientras que ResNet-50 alcanzó el 82,12%. La diferencia de 6,23 puntos porcentuales es estadísticamente significativa: la probabilidad de que se deba al azar es inferior al medio por ciento.

¿Qué supone esto para la práctica? Antes no estaba claro cuál de las arquitecturas populares era más adecuada para clasificar imágenes de tejido cerebral cuando el conjunto de datos etiquetados es limitado. Ahora queda claro: las conexiones densas ofrecen una ventaja. El protocolo de entrenamiento puede transferirse directamente a otras tareas de clasificación binaria de imágenes histológicas, por ejemplo, la detección de metástasis en ganglios linfáticos o la evaluación del grado de malignidad de un tumor. El siguiente paso es la gradación multiclase y los mapas de explicabilidad, que mostrarán al médico en qué regiones de la imagen se basó la red. Entonces, el segundo par de ojos no solo será preciso, sino también transparente.