Características operativas de una prueba diagnóstica basada en un algoritmo de inteligencia artificial entrenado con las imágenes del HAM 10000 para el diagnóstico de lesiones pigmentadas en fototipos claros y oscuros
No hay miniatura disponible
Archivos
Fecha
2024-12
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
Introducción: La inteligencia artificial (IA) se ha utilizado cada vez más en el campo de la dermatología para la clasificación de lesiones cutáneas. Sin embargo, la mayoría de los repositorios de imágenes actuales tienen una representación muy escasa de poblaciones diversas, incluidos los fototipos de piel oscuros, lo que puede afectar la precisión de los modelos de IA.
Objetivo: Este estudio tuvo como objetivo evaluar el desempeño de un algoritmo de Deep Learning entrenado con el conjunto de datos HAM10000 para detectar lesiones cutáneas malignas en una población colombiana con diversos fototipos de piel y presentaciones clínicas.
Métodos: Recopilamos un conjunto de datos de 165 imágenes, las cuales fueron evaluadas utilizando un algoritmo de Deep Learning entrenado con el conjunto de datos HAM10000. Estudiamos el desempeño del algoritmo utilizando métricas como AUC-ROC, AUC-PR, precisión, especificidad, sensibilidad, VPP y VPN, asi como el uso de los valores SHAP para analizar y explicar el resultado del modelo para estimar la importancia de los superpíxeles y crear imágenes superpuestas para una posterior interpretación clínica e identificación de patrones relevantes.
Conclusiones: A pesar del potencial de los algoritmos de Deep Learning para clasificar lesiones cutáneas malignas, siempre debe enfatizarse la generalización, considerando factores y características de la población objetivo, como el fototipo de piel y la distribución de enfermedades cutáneas. Los métodos de explicabilidad desempeñan un papel fundamental en la implementación del modelo, permitiendo la detección de sesgos y la interpretación de las características del mismo.
Descripción
Abstract
Background: Artificial intelligence (AI) has been increasingly used in dermatology to classify skin lesions. However, most current datasets have a limited representation of diverse populations, including darker skin phototypes, which may affect the accuracy of AI models.
Objective: This study aimed to assess the performance of a deep learning algorithm trained with the HAM10000 dataset in detecting malignant skin lesions in a Colombian population with diverse skin phototypes and clinical presentations.
Methods: We collected a dataset of 165 images, which were evaluated using a deep learning algorithm trained with the HAM10000 dataset. We studied the algorithm's performance using metrics such as AUC-ROC, AUC-PR, accuracy, specificity, sensitivity, PPV, and NPV.
Conclusions: Despite the potential of deep learning algorithms in classifying malignant skin lesions, generalizability should always be emphasized, considering factors and characteristics of the target population such as skin phototype and skin disease distribution. Explainability methods play a pivotal role in model implementation allowing for bias detection and model features interpretation.
Palabras clave
Inteligencia artificial, Piel de color, Cáncer de piel, Lesiones pigmentadas, Dermatoscopia, Deep learning
Keywords
Artifical intelligence, Skin of color, Skin cancer, Pigmented lesions, Dermoscopy, Deep learning