Biegowelove.pl

informacje o Polsce. Wybierz tematy, o których chcesz dowiedzieć się więcej

W przeglądzie dotyczącym zastosowania sztucznej inteligencji w dermatologii zwrócono uwagę na brak reprezentacji kolorów na skórze

W przeglądzie dotyczącym zastosowania sztucznej inteligencji w dermatologii zwrócono uwagę na brak reprezentacji kolorów na skórze

Rebeka Florent

Źródło: LinkedIn

Jak wynika z ostatnich ustaleń i zwrócono uwagę na trudności w identyfikacji zmian skórnych, w przypadku pacjentów kolorowych nadal występują problemy z wykorzystaniem sztucznej inteligencji (AI) do oceny i diagnozowania chorób skóry.1

Te i inne ustalenia wynikają z niedawnego przeglądu literatury, przeprowadzonego w celu wskazania problemów, które prowadzą do niedostatecznej reprezentacji pacjentów o różnych odcieniach skóry w algorytmicznych zbiorach danych.2

Przegląd ten został napisany przez Rebeccę Florent z Rowan Virtua College of Osteopathic Medicine w Stratford w stanie New Jersey. Florent i współpracownicy zauważają znaczenie poprawy dokładności diagnostycznej dla jak największej liczby różnych typów skóry.

„Celem tego przeglądu jest identyfikacja i wyeliminowanie luk w obecnym zastosowaniu sztucznej inteligencji w dermatologii, szczególnie w odniesieniu do osób kolorowych, a także zasugerowanie przyszłych kroków w celu usprawnienia jej zastosowania w praktyce dermatologicznej” – napisali Florent i współpracownicy.

Tło i metody

Naukowcy wskazali, że sztuczna inteligencja wykorzystuje zaawansowane algorytmy i modele, aby uczyć się na podstawie różnych rodzajów informacji, uwzględniać różne wzorce i móc podejmować świadome decyzje. Dermatolodzy proponują wykorzystanie sztucznej inteligencji do jej wdrożenia na przykład do wczesnego wykrywania raka skóry.

W bardziej ogólnym sensie naukowcy stwierdzili, że wykorzystanie sztucznej inteligencji okazało się obiecujące, ponieważ zapewnia spersonalizowane zalecenia dotyczące leczenia, uwzględniając dane dotyczące konkretnego pacjenta, takie jak objawy pacjenta, historia choroby i reakcje na różne metody leczenia. Zatem sztuczna inteligencja może prowadzić do dokładniejszych diagnoz i lepszych wyników u różnych typów pacjentów.

Aby rozpocząć identyfikację potencjalnych luk w wykorzystaniu sztucznej inteligencji w przypadku osób kolorowych, zespół badawczy przeprowadził kompleksowy przegląd istniejącej literatury. Wdrożyli bazy badawcze PubMed i Google Scholar.

Panel został poddany przeglądowi w okresie od lutego 2002 r. do czerwca 2023 r. i obejmował szeroki zakres wyszukiwanych haseł, w tym reprezentację rasową, sztuczną inteligencję, rak skóry, sztuczną inteligencję, kolor skóry, dermatologię, pigmentację, badania przesiewowe skóry, różnice w stanie zdrowia publicznego i nowotwory. Melanizm.

READ  Jak mózg przechowuje odległe wspomnienia strachu?

Kryteria włączenia literatury badawczej do badania obejmowały artykuły napisane w języku angielskim oraz różnorodne rodzaje badań, takie jak badania kliniczne, przeglądy systematyczne, opisy przypadków i badania indywidualne prowadzone retrospektywnie. Zespół wykluczył ze swojego przeglądu badania, które nie odpowiadały tym opisom, a także pracował nad zapewnieniem trafności i wiarygodności swoich ustaleń.

znaleziska

W trakcie swoich badań badacze odnaleźli szereg różnych badań i wiele z nich okazało się zawierać bezcenne informacje na ten temat.

Jeden z eksperymentów wykazał, że publicznie dostępne zbiory danych dotyczących obrazów skóry były ograniczone w przypadku zastosowania ich do rzeczywistych warunków klinicznych pod względem reprezentowania różnych odcieni skóry. Zespół badawczy opisał te ograniczenia jako wynikające z problemów z oświetleniem, dokładnością ustawiania ostrości, poziomami ekspozycji, przysłoną obiektywu, wyrównaniem tła i zmianami czasu otwarcia migawki aparatu.

Inne badanie, któremu przyjrzał się zespół, uwydatniło niepowodzenie badań obrazowych AI w przypadku kolorowej skóry w zakresie prawidłowego uwzględnienia wielu różnych elementów listy kontrolnej CLEAR. W wielu badaniach zauważono brak informacji na temat koloru skóry, a obszary zmian chorobowych u pacjentów zidentyfikowano w mniej niż połowie przypadków.

Badaczom udało się zidentyfikować 10 badań i 15 technik sztucznej inteligencji, aby ocenić skuteczność sztucznej inteligencji w ocenie obrazów o różnych odcieniach skóry.

W dużej liczbie tych badań zwrócono uwagę na problem niedostatecznej reprezentacji obrazów zawartych w zbiorach danych, a w innych zastosowano sztuczną inteligencję do próbek pacjentów, które albo wykluczały kolor skóry, albo obejmowały tych pacjentów w minimalnym zakresie. Badania te wskazały na niedostateczną reprezentatywność w wybranych zbiorach danych i brak precyzji technologii sztucznej inteligencji.

Ogólnie rzecz biorąc, zespół badawczy doszedł do wniosku, że zaprojektowanie podejść opartych na sztucznej inteligencji może być konieczne, aby uporać się ze złożonością oceny stanu skóry u osób o różnych odcieniach skóry. Zauważyli, że celem powinno być ograniczenie nieodłącznych błędów w zbiorach danych AI, aby umożliwić pełniejszą reprezentację różnych grup pacjentów.

READ  Naukowcy odkryli toksynę, która zabija bakterie w niespotykany dotąd sposób

Zespół zauważa, że ​​bardziej kompleksowe zbiory danych mogą poprawić wyniki pielęgnacji skóry i zmniejszyć rozbieżności. Naukowcy zauważyli także korzyści płynące ze szkolenia dermatologów w zakresie wykonywania wysokiej jakości zdjęć zmian chorobowych u pacjentów kolorowych.

„Chociaż wymienione programy sztucznej inteligencji nie stanowią wyczerpującej listy, wiele z tych programów jest obiecujących we wspieraniu podejmowania decyzji klinicznych; należy je jednak zmodyfikować, aby stały się niezawodnymi pomocami diagnostycznymi dla pacjentów SOC.” Firmy zajmujące się sztuczną inteligencją muszą ujawnić informacje dotyczące grup szkoleniowych SOC.”

Bibliografia

  1. Florent, R., Fardman, B., Podwojniak, A., Javaid, K., Tan, I.J., Ghani, H., Truong, T.M., Rao, B. i Heath, C. (2024), Sztuczna inteligencja w medycynie Dermatologia: postępy i wyzwania związane ze skórą kolorową. IntJ Dermatol. https://doi.org/10.1111/ijd.17076.
  2. Adamson AS, Smith A. Uczenie maszynowe i różnice w opiece zdrowotnej w dermatologii. Gamma Dermatol. 2018; 154(11): 1247-1248.