Este estudio investiga la efectividad de la arquitectura U-Net integrada con varias redes neuronales convolucionales (CNN) para la detección y segmentación automatizadas del cáncer de pulmón en imágenes de TC de tórax. Un conjunto de datos balanceado de 832 imágenes de TC de tórax (416 malignas y 416 no malignas) se preprocesó con CLAHE y se redimensionó a 128x128 píxeles. Los modelos U-Net se desarrollaron utilizando tres redes neuronales convolucionales (ResNet50, VGG16 y Xception) para segmentar las regiones pulmonares. Después de la segmentación, se evaluaron clasificadores basados en CNN y modelos híbridos que combinan la extracción de características de CNN con clasificadores tradicionales de aprendizaje automático (SVM, Random Forest y Gradient Boosting) utilizando una validación cruzada de 5 pliegues. La exactitud, la precisión, la recuperación, la puntuación F1, el coeficiente de Dice y el área bajo la curva del sistema operativo del receptor (AUC-ROC) se utilizaron como métricas de evaluación. U-Net con ResNet50 obtuvo el mejor rendimiento (Dice: 0,9495, Precisión: 0,9735) para la segmentación de cáncer de pulmón, mientras que U-Net con VGG16 obtuvo el mejor rendimiento (Dice: 0,9532, Precisión: 0,9513) para la segmentación de cáncer de pulmón. Para la clasificación, el modelo CNN con U-Net con Xception logró una precisión del 99,1 %, una recuperación del 99,74 % y una puntuación F1 del 99,42 %. El modelo híbrido CNN-SVM-Xception logró una precisión del 96,7 % y una puntuación F1 del 97,88 %. En comparación con los métodos existentes, nuestro marco superó consistentemente el rendimiento de los modelos existentes. En conclusión, la combinación de la estructura principal avanzada de CNN con U-Net proporciona un método potente para la segmentación y clasificación del cáncer de pulmón a partir de tomografías computarizadas, lo que facilita el diagnóstico temprano y la toma de decisiones clínicas.
