PANTHER: el proyecto estudiantil de AIRI gana FLARE 2026 al detectar tumores en 11 segundos

PANTHER, el modelo desarrollado por el estudiante del MIPT Vasily Baranov en la Escuela de Verano de AIRI, ganó la competición FLARE 2026 en velocidad de detección de tumores en imágenes de TAC. Su solución no es una carrera por la complejidad de la arquitectura, sino tres ideas sencillas sobre datos, ensambles y filtrado.

FLARE 2026: condiciones y objetivo

La competición planteó un reto panorámico con límites estrictos. Encontrar un tumor en cualquier órgano (hígado, riñón, páncreas, pulmón, ganglio linfático) en una imagen de TAC en 60 segundos, usando no más de 4 GB de memoria de video, 28 GB de RAM, sin conexión a internet ni pesos preentrenados externos.

Conjunto de entrenamiento: 17.575 TAC etiquetados procedentes de más de 50 fuentes, entre ellas DeepLesion, KiTS, LiTS, MSD, autoPET, TotalSegmentator, LIDC y otras. El etiquetado es parcial: en cada conjunto de datos solo se marcan los tumores de determinados órganos, y el resto queda sin clasificar. A esto se suman 122 GB de TAC sin etiquetar y 172 imágenes de pacientes sanos para comprobar los falsos positivos.

La clasificación se repartió a partes iguales: la mitad corresponde a velocidad y eficiencia (memoria de video × tiempo de inferencia por imagen), y la otra mitad a precisión, medida con dos métricas. El Dice (DSC) indica el grado de coincidencia entre el volumen de la máscara tumoral predicha y la anotación médica (1 = coincidencia perfecta, 0 = ninguna coincidencia). El Normalized Surface Dice (NSD) evalúa los bordes: qué porcentaje de la superficie del tumor coincide con una precisión de 2 mm. Los modelos que tardan más de 60 segundos reciben un Dice de 0 y quedan descalificados.

Las tres ideas de PANTHER: composición, ensamble, filtro

La composición de los datos importa más que la arquitectura. El conjunto de datos estaba muy desequilibrado: 5.700 TAC de cuerpo entero, 5.

700 de tórax, pero solo 154 imágenes de cáncer de esófago, 126 de cáncer de colon, 79 de cáncer de endometrio (revestimiento uterino) y apenas 52 de tumores suprarrenales. Entrenar con todo indiscriminadamente convierte al modelo en un experto en las fuentes grandes, mientras que apenas intuye los órganos poco representados. Los autores crearon Dataset500: limitaron las fuentes grandes y tomaron por completo las escasas.

El resultado fueron 8.762 TAC procedentes de 28 conjuntos de datos repartidos en 11 grupos anatómicos. Resultado: Dice +0,060 frente al conjunto completo de 17.

575 imágenes. Para comparar, cambiar a una arquitectura con codificador residual (con el triple de parámetros) solo aportó +0,002, un orden de magnitud menos.

Los autores también ampliaron la malla a 2,0×1,5×1,5 mm en lugar de los 0,78 mm recomendados, de modo que un solo parche cubriera el doble de cuerpo: los tumores grandes dejaron de "no caber". El experimento inverso, con 1,25 mm isotrópicos, costó −0,078 de Dice.

Ensamble de cinco folds de U-Net simple. Cinco modelos votan con probabilidad promediada: un vóxel entra en la máscara solo si la mayoría vota "sí". En 172 TAC de pacientes sanos, un único modelo detectó "tumor" en los 172 (sí, en todos), mientras que el ensamble guardó silencio en 52. Bonus: el ensamble aportó +0,028 de Dice en imágenes con tumores reales.

Filtro de Mahalanobis por forma de la máscara. En los 120 escáneres sanos restantes, el ensamble sí detectó algo. Los autores identificaron un patrón característico de "basura": fragmentos pequeños dispersos por la imagen, ninguno dominante, con mucha superficie en relación con el volumen. Los tumores reales se ven distintos: lesiones densas y compactas.

Para cada máscara se calculan cinco características: volumen total, número de fragmentos (mayores de 3×3×3 vóxeles), volumen del fragmento más grande, su proporción respecto al volumen total, y la relación entre superficie y volumen. Estos cinco valores componen un "retrato" del error típico. La distancia de Mahalanobis indica cuánto se parece una nueva máscara a ese retrato. Si la distancia es ≤ 7,0, se considera basura y la máscara se borra. Resultado: los falsos positivos cayeron del 70% al 8%, con una pérdida de Dice de solo 0,004 en tumores reales.

PANTHER funciona en 11 segundos con 4 GB de memoria de video, superando a sus competidores en velocidad. Esto demuestra que un preprocesamiento adecuado y técnicas de ensamble sencillas pueden vencer a arquitecturas complejas.