De la detección a la mitigación: Abordar el sesgo en modelos de aprendizaje profundo para el diagnóstico de...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Equidad en Salud

Sus antecedentes:

• Los modelos de aprendizaje profundo mejoran el diagnóstico de radiografías de tórax, pero corren el riesgo de exacerbar las disparidades en la atención médica debido a variaciones en el rendimiento entre grupos demográficos.
• Las técnicas existentes de mitigación de sesgos pueden ser computacionalmente intensivas y no siempre producir resultados óptimos.

Objetivo del estudio:

• Desarrollar y evaluar un marco integral para detectar y mitigar las disparidades basadas en sexo, edad y raza en la IA de diagnóstico de radiografías de tórax.
• Evaluar la efectividad de un pipeline CNN-XGBoost en la mejora de la equidad y el mantenimiento del rendimiento predictivo.

Principales métodos:

• Se extendió un pipeline CNN-XGBoost para la clasificación multietiqueta en radiografías de tórax para cuatro condiciones médicas.
• Se evaluó la generalización independiente del modelo utilizando los backbones DenseNet-121 y ResNet-50.
• Se comparó el enfoque de entrenamiento de adaptadores ligeros con métodos tradicionales de mitigación de sesgos como el entrenamiento adversarial, la reponderación, la aumentación de datos y el aprendizaje activo.

Principales resultados:

• La sustitución de la capa final de la CNN por un clasificador eXtreme Gradient Boosting mejoró la equidad de los subgrupos y mantuvo o mejoró el rendimiento predictivo general.
• El método propuesto demostró una reducción de sesgos competitiva o superior en comparación con las técnicas tradicionales a un menor costo computacional.
• La combinación de la reentrenamiento con eXtreme Gradient Boosting y el aprendizaje activo logró la reducción de sesgos más significativa en todos los subgrupos demográficos en los conjuntos de datos CheXpert y MIMIC.

Conclusiones:

• El enfoque CNN-XGBoost ofrece una solución práctica y computacionalmente eficiente para reducir el sesgo en modelos de aprendizaje profundo para el análisis de radiografías de tórax.
• Este marco promueve la implementación equitativa de la IA en radiología clínica, garantizando una mejor precisión diagnóstica para todas las poblaciones de pacientes.
• La naturaleza independiente del modelo y el sólido rendimiento resaltan su potencial de aplicabilidad general en la IA de imágenes médicas.