Clasificación multiclasificada de las lesiones pigmentadas de la piel utilizando un modelo multimodal de lenguaje...

Área de la Ciencia:

• Inteligencia artificial en dermatología
• Análisis de imágenes médicas
• Patología computacional

Sus antecedentes:

• Las lesiones pigmentadas de la piel presentan desafíos de diagnóstico debido a las similitudes visuales en las fotografías estándar.
• Los modelos multimodales de lenguaje grande (MMLLM) muestran potencial como ayudas de diagnóstico basadas en imágenes, especialmente en entornos con recursos limitados.
• La dermoscopia, aunque eficaz, no es universalmente accesible, lo que pone de relieve la necesidad de herramientas de diagnóstico alternativas.

Objetivo del estudio:

• Evaluar la precisión de un MMLLM afinado en la clasificación de ocho afecciones comunes de la piel pigmentada utilizando sólo fotografías clínicas.
• Evaluar el potencial de las MMLLM como herramienta de apoyo diagnóstico no dermatoscópica para lesiones pigmentadas.
• Proporcionar una solución escalable para la evaluación preliminar de las lesiones cutáneas.

Principales métodos:

• Se ajustó un modelo multimodal de lenguaje grande (InstructBLIP-flan-t5-xl) utilizando un conjunto de datos seleccionado de 979 imágenes de lesiones pigmentadas de la piel.
• El conjunto de datos incluía ocho tipos de lesiones: melanocitosis cutánea adquirida, carcinoma de células basales, efelis, melanoma maligno, melasma, nevus, queratosis seborreica y lentigo solar.
• El rendimiento del modelo se evaluó utilizando la sensibilidad macro promedio, la especificidad, la puntuación F1 y el ROC AUC, con las etiquetas de la lesión enmascaradas durante el entrenamiento.

Principales resultados:

• El MMLLM afinado logró una sensibilidad macro promedio del 86,0%, una especificidad del 98,2% y una puntuación F1 de 0,86 en el conjunto de validación.
• El área bajo la curva característica de funcionamiento del receptor (ROC AUC) excedió el 0,95 para seis de las ocho clases de lesiones.
• El melanoma maligno demostró un alto rendimiento (94% de sensibilidad, 0,98 AUC ROC), mientras que el nevus tenía una sensibilidad más baja (78%, 0,89 AUC ROC).

Conclusiones:

• Los MMLLM afinados pueden clasificar con precisión las lesiones pigmentadas comunes de la piel utilizando solo fotografías clínicas.
• Este enfoque impulsado por la IA ofrece un apoyo diagnóstico rápido, particularmente valioso en entornos que carecen de acceso a la dermoscopia.
• La investigación futura debe centrarse en la ampliación de la diversidad de los conjuntos de datos, la realización de la validación multicéntrica y la evaluación de la utilidad clínica en el mundo real.