Comprensión de los efectos de los datos de preentrenamiento en modelos fundacionales de retina utilizando dos grandes...

Área de la Ciencia:

• Inteligencia Artificial en Medicina
• Oftalmología
• Análisis de Imágenes Médicas

Sus antecedentes:

• Los modelos fundacionales médicos, preentrenados en grandes conjuntos de datos, ofrecen eficiencia en aplicaciones clínicas.
• No se comprende bien el impacto de los datos de preentrenamiento en la generalización y la equidad de estos modelos.

Objetivo del estudio:

• Investigar cómo las características de los datos de preentrenamiento influyen en la generalización y la equidad de los modelos fundacionales médicos.
• Evaluar el rendimiento y la equidad de los modelos fundacionales de retina entrenados en cohortes distintas a gran escala.

Principales métodos:

• Se entrenaron modelos fundacionales paralelos en dos cohortes distintas (Moorfields Eye Hospital y Shanghai Diabetes Prevention Program) que comprenden 904,170 fotografías de fondo de ojo cada una.
• Se evaluó el rendimiento y la equidad del modelo en tareas posteriores utilizando conjuntos de datos públicos y datos específicos del sitio retenidos.
• Se evaluó la equidad en subgrupos de edad, sexo y etnia.

Principales resultados:

• Los modelos fundacionales de retina demostraron un rendimiento competitivo incluso cuando se evaluaron en datos disímiles a sus conjuntos de preentrenamiento, lo que indica una fuerte generalización.
• Se observaron brechas de equidad en diferentes subgrupos de edad.
• Los subgrupos de sexo y etnia mostraron un impacto mínimo en la equidad del modelo.

Conclusiones:

• Los modelos fundacionales para imágenes de retina exhiben una buena generalización en diversos conjuntos de datos.
• La demografía de los datos de preentrenamiento da forma significativamente a la equidad del modelo, particularmente en lo que respecta a la edad.
• La curación de datos específica del dominio y de grano fino es crucial para el desarrollo de modelos fundacionales médicos equitativos y eficientes.