Resumen:
El análisis tomográfico del daño pulmonar por COVID-19 enfrenta desafíos derivados de la opacidad diagnóstica de los modelos de aprendizaje profundo y las fallas de segmentación ante eventos severos daño tisualr. En este trabajo se desarrolló un sistema integral de clasificación supervisada fundamentado en un vector de 14 biomarcadores cuantitativos que integra descriptores morfológicos del árbol vascular y aéreo, estadísticas de lesión parenquimatosa y métricas texturales de la matriz de co-ocurrencia de niveles de grises, extraídos tras una segmentación en MATLAB con una lógica de respaldo topográfica validada con un coeficiente de Dice superior al 95%. A partir de una cohorte balanceada de 150 pacientes, se optimizaron seis algoritmos de machine learning mediante búsqueda en cuadrícula y validación cruzada estratificada. En el conjunto de prueba independiente, el modelo XGBoost alcanzó el desempeño líder con una exactitud de 96.67%, una sensibilidad de 100% y un AUC-ROC de 0.9844, clasificando todos los casos patológicos sin generar falsos negativos. El análisis de explicabilidad con valores SHAP reveló que el volumen vascular y la energía textural son los predictores clave que sustentan la decisión algorítmica, guardando coherencia con la reducción vascular provocada por la infección. Se concluye que el paradigma de machine learning orientado a biomarcadores alcanza una precisión diagnóstica competitiva frente al deep learning, garantizando interpretabilidad clínica, reproducibilidad experimental y alta eficiencia computacional para el apoyo en la toma de decisiones médicas y el seguimiento de secuelas pulmonares.
