Mejora de la Equidad en la Clasificación de Lesiones Cutáneas para el Diagnóstico Médico Mediante Aprendizaje de Poda

Área de la Ciencia:

• Inteligencia Artificial
• Imágenes Médicas
• Visión por Computadora

Sus antecedentes:

• Los modelos de aprendizaje profundo mejoran la precisión de la clasificación de lesiones cutáneas para diagnósticos médicos.
• Los posibles sesgos en los modelos relacionados con el color de la piel pueden afectar negativamente los resultados del diagnóstico.
• Garantizar la equidad es complejo debido a la variabilidad del tono de piel y las demandas computacionales.

Objetivo del estudio:

• Proponer un algoritmo de equidad para la clasificación de lesiones cutáneas que aborde el sesgo en diversos tonos de piel.
• Mejorar la equidad diagnóstica y la eficiencia del modelo en herramientas dermatológicas impulsadas por IA.

Principales métodos:

• Se desarrolló un algoritmo de equidad que calcula la asimetría de los mapas de características en las redes VGG y ViT.
• Se redujeron los canales relacionados con el tono de piel para centrarse en las áreas de las lesiones.
• Se aplicó el método a los modelos VGG11 y ViT-B16.

Principales resultados:

• Se logró una mejora promedio del 15-20% en las métricas de equidad.
• Se mantuvo la precisión y la puntuación F1 dentro de 0.01 de la línea base.
• Se redujo el tamaño del modelo en un 16% (VGG11) y la huella de memoria (ViT-B16).

Conclusiones:

• El algoritmo propuesto mitiga eficazmente el sesgo en la clasificación de lesiones cutáneas en diferentes tonos de piel.
• El método mejora la equidad y la eficiencia sin requerir etiquetas de tono de piel en la inferencia.
• Este enfoque ofrece una solución práctica para la IA equitativa en dermatología.