Calidad del Modelo en la Detección de Moretones Basada en IA: Repensando IoU y Umbrales de Confianza

Área de la Ciencia:

• Ciencias de la Computación
• Inteligencia Artificial
• Imágenes Médicas

Sus antecedentes:

• Los modelos de detección de objetos de IA (por ejemplo, YOLO, Faster R-CNN) se basan en umbrales de Intersection over Union (IoU) y confianza para la evaluación del rendimiento.
• Los umbrales fijos pueden introducir sesgos e impactos dispares en las subpoblaciones, enmascarando problemas de equidad subyacentes a pesar de las sólidas métricas de rendimiento general.

Objetivo del estudio:

• Investigar el impacto de la variación de los umbrales de IoU y confianza en las métricas de rendimiento estándar (precisión, recall, F1-score, mAP) y métricas de equidad (Paridad Demográfica, Probabilidades Igualadas, Igualdad de Oportunidades, Igualdad de Precisión, Impacto Dispar).
• Explorar los compromisos entre equidad y rendimiento en la detección de moretones impulsada por IA bajo diferentes condiciones de iluminación.

Principales métodos:

• Se evaluaron modelos de detección de objetos de IA utilizando un conjunto de datos de imágenes de moretones capturadas bajo fuentes de luz natural y alternativas.
• Se analizaron los efectos de la variación sistemática de los umbrales de IoU y confianza en múltiples métricas de rendimiento y equidad.

Principales resultados:

• Se observó que los compromisos entre equidad y rendimiento se mitigaban al seleccionar valores de umbral intermedios en lugar de valores extremos fijos.
• El estudio demostró que las elecciones específicas de umbral influyen significativamente en los resultados de equidad y rendimiento del modelo.

Conclusiones:

• La optimización dinámica de los umbrales es necesaria para lograr tanto un alto rendimiento del modelo como equidad en la detección de moretones impulsada por IA.
• Los valores de umbral intermedios ofrecen una estrategia prometedora para mitigar el sesgo en los sistemas de detección de objetos de IA para aplicaciones médicas.