Enfoque de aprendizaje automático multimodal para el diagnóstico de dermatitis atópica

Área de la Ciencia:

• Dermatología; Inteligencia Artificial; Diagnóstico Médico

Sus antecedentes:

• La dermatitis atópica (DA) es una enfermedad inflamatoria crónica común de la piel con presentaciones variadas.
• El diagnóstico clínico de la DA puede ser subjetivo e inconsistente, especialmente entre los médicos generales.
• Es crucial desarrollar herramientas de diagnóstico objetivas para mejorar la atención al paciente.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de inteligencia artificial (IA) multimodal para mejorar el diagnóstico de la dermatitis atópica (DA).
• Integrar el análisis de imágenes de lesiones y el historial estructurado del paciente (anamnesis) para mejorar la precisión diagnóstica.
• Comparar el rendimiento del modelo de IA multimodal con modelos que solo utilizan imágenes o texto.

Principales métodos:

• Estudio diagnóstico de dos fases que utiliza datos retrospectivos y prospectivos.
• Se desarrolló un modelo de fusión tardía que combina características de imágenes de ResNet50 y características de texto de MPNet.
• Se clasificaron los casos como DA o no DA basándose en datos visuales y clínicos integrados, de acuerdo con los criterios de la AAD de 2014.

Principales resultados:

• El modelo de IA multimodal logró una precisión del 98,28 % en la clasificación de DA frente a no DA.
• El modelo integrado superó a los modelos que se basaban únicamente en imágenes o texto.
• La IA imita el razonamiento del médico, ofreciendo evaluaciones diagnósticas consistentes y menos subjetivas.

Conclusiones:

• El modelo de IA multimodal ResNet50-MPNet demuestra una alta precisión en el diagnóstico de la DA.
• El modelo ofrece una evaluación consistente y holística al imitar el razonamiento del médico.
• Se necesita una validación externa adicional e inteligencia artificial explicable (XAI) para la adopción clínica generalizada.