Estudio de aplicabilidad de métodos de atribución de IA para la clasificación de imágenes oftálmicas

Área de la Ciencia:

• Oftalmología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• La retinopatía diabética (RD) y la acumulación de líquido en la retina son complicaciones importantes de la diabetes detectables mediante tomografía de coherencia óptica (OCT).
• Los modelos de aprendizaje profundo muestran una alta precisión en el diagnóstico de estas afecciones, pero carecen de confianza clínica debido a una escasa interpretabilidad.
• Los métodos de atribución, exitosos en el análisis de imágenes naturales, han sido poco explorados para la interpretabilidad de imágenes médicas.

Objetivo del estudio:

• Evaluar la efectividad de tres métodos de atribución (DeepLIFT, AGI, AttEXplore) para explicar las predicciones del modelo de aprendizaje profundo para la detección de RD y fluidos utilizando imágenes OCT.
• Evaluar la relevancia clínica de las regiones resaltadas identificadas por estos métodos utilizando medidas cuantitativas y cualitativas.
• Determinar el método de atribución más adecuado para mejorar la transparencia en el diagnóstico oftálmico asistido por IA.

Principales métodos:

• Se entrenó un modelo de aprendizaje profundo VGG16 para la clasificación de RD y la detección de fluidos utilizando imágenes en face OCTA y B-scan OCT de campo amplio.
• Se emplearon tres métodos de atribución —DeepLIFT, AGI y AttEXplore— para generar explicaciones visuales de las predicciones del modelo.
• Se utilizaron métricas cuantitativas (puntuaciones de inserción/eliminación) y análisis cualitativo de mapas de calor para evaluar la relevancia clínica de las atribuciones.

Principales resultados:

• El modelo VGG16 logró una alta precisión (94% para RD, 98% para detección de fluidos).
• Los métodos de atribución produjeron resultados cualitativos variados, influenciados por sus suposiciones subyacentes y la sensibilidad a los hiperparámetros.
• AttEXplore demostró un rendimiento superior al resaltar estructuras clínicamente significativas en casos patológicos en comparación con AGI y DeepLIFT, a pesar de puntuaciones cuantitativas similares entre AGI y AttEXplore.

Conclusiones:

• Si bien los métodos de atribución pueden ayudar a explicar las predicciones de IA para afecciones oftálmicas, sus resultados requieren una cuidadosa interpretación junto con la experiencia clínica.
• AttEXplore muestra potencial como método preferido para visualizar características clínicamente relevantes en tareas de detección de RD y fluidos.
• Se necesita más investigación para establecer los métodos de atribución como sustitutos confiables de la relevancia clínica en el diagnóstico médico asistido por IA.