Evaluación de sesgos sociodemográficos en algoritmos de inteligencia artificial para la evaluación de la respuesta al...

Área de la Ciencia:

• Inteligencia artificial en imágenes médicas
• Neuro-oncología
• Radiómica e imagen cuantitativa

Sus antecedentes:

• Los modelos de inteligencia artificial (IA) en imágenes médicas pueden presentar sesgos, pero las causas subyacentes no se comprenden completamente.
• Este estudio investiga los sesgos sociodemográficos en la segmentación de resonancia magnética de glioblastoma basada en IA.
• Se entrenaron cuatro modelos nnUNet en conjuntos de datos que varían en tamaño y composición demográfica.

Objetivo del estudio:

• Evaluar los posibles sesgos sociodemográficos en los modelos de IA para la segmentación de resonancia magnética de glioblastoma.
• Evaluar el impacto del tamaño del conjunto de datos de entrenamiento y la composición demográfica en el rendimiento del modelo de IA.
• Identificar los factores que influyen en el sesgo en la segmentación de tumores impulsada por IA.

Principales métodos:

• Se evaluaron cuatro modelos de IA (FeTS2, BraTS 2024, pequeño homogéneo, pequeño heterogéneo).
• Se utilizó un conjunto de datos independiente de 480 pacientes de un solo centro académico para la evaluación del sesgo.
• Las segmentaciones automatizadas (FLAIR, tumoración realzante) se calificaron utilizando puntuaciones Dice; la regresión beta analizó las influencias sociodemográficas.

Principales resultados:

• El modelo entrenado en un conjunto de datos homogéneo (hombres blancos no hispanos) mostró las puntuaciones Dice más bajas y sesgos significativos en edad/estado de tabaquismo.
• El modelo BraTS 2024 logró las puntuaciones Dice más altas (0,996 FLAIR, 0,999 Mejora) con un sesgo mínimo.
• La heterogeneidad demográfica en los datos de entrenamiento se correlacionó con una reducción del sesgo, independientemente del tamaño del conjunto de datos.

Conclusiones:

• El sesgo sociodemográfico en la IA de segmentación de resonancia magnética de glioblastoma es generalmente bajo.
• Los modelos de IA entrenados en conjuntos de datos más pequeños y homogéneos presentan un mayor sesgo.
• Una mayor heterogeneidad demográfica en los datos de entrenamiento, incluso sin conjuntos de datos más grandes, reduce el sesgo de la IA, como lo demuestra el rendimiento superior del modelo BraTS.