DermNet: arquitectura CNN-ViT integradora para la mitigación de sesgos en diagnósticos dermatológicos mediante...

Área de la Ciencia:

• Dermatología
• Inteligencia Artificial
• Imágenes Médicas

Sus antecedentes:

• Los algoritmos de identificación de enfermedades de la piel a menudo presentan sesgos contra los tonos de piel más oscuros.
• El diagnóstico dermatológico preciso es crucial para un tratamiento eficaz y los resultados del paciente.
• Los métodos existentes tienen dificultades para segmentar con precisión las lesiones cutáneas en diversos colores de piel.

Objetivo del estudio:

• Desarrollar un método impulsado por IA para la identificación de enfermedades de la piel sin sesgos en personas con piel más oscura.
• Mejorar la precisión y la equidad de las herramientas de diagnóstico dermatológico automatizado.
• Abordar las limitaciones de las técnicas de segmentación actuales en diversos tonos de piel.

Principales métodos:

• Se empleó un enfoque no supervisado, de un solo paso y sin conocimiento previo para el análisis inicial de lesiones.
• Los datos procesados se introdujeron en un clasificador híbrido, Dermnet, que combina arquitecturas Vision Transformer y Red Neuronal Convolucional.
• Una técnica de segmentación novedosa, entrenada sin datos etiquetados, logró altas puntuaciones de Intersection over Union (IOU).

Principales resultados:

• El clasificador Dermnet logró una sólida precisión de validación de aproximadamente el 81%.
• El método de segmentación no supervisada alcanzó una IOU del 90% en todos los colores de piel.
• El enfoque minimizó eficazmente la influencia del tono de piel en la clasificación de enfermedades.

Conclusiones:

• El método propuesto reduce significativamente el sesgo en la identificación de enfermedades de la piel basada en IA para personas de color.
• La técnica avanzada de segmentación garantiza una identificación precisa de las lesiones independientemente de la pigmentación de la piel.
• Este trabajo allana el camino para herramientas de IA dermatológicas más equitativas y precisas.