Los dermatólogos suelen clasificar las lesiones cutáneas en función de múltiples fuentes de datos. Los algoritmos que fusionan la información pueden respaldar esta clasificación. Un equipo de investigación internacional ha desarrollado ahora un algoritmo que clasifica las lesiones cutáneas con mayor precisión que los algoritmos anteriores mediante el uso de un proceso de fusión de datos mejorado.
Muchas personas en todo el mundo sufren de enfermedades de la piel. Para el diagnóstico, los médicos suelen combinar múltiples fuentes de información. Estos incluyen, por ejemplo, imágenes clínicas, imágenes microscópicas y metadatos como la edad y el sexo del paciente. Los algoritmos de aprendizaje profundo pueden respaldar la clasificación de las lesiones cutáneas al fusionar toda la información y evaluarla. Ya se están desarrollando varios algoritmos de este tipo. Sin embargo, para aplicar estos algoritmos de aprendizaje en la clínica, deben mejorarse aún más para lograr una mayor precisión diagnóstica.
El nuevo método de fusión de datos mejora la precisión del diagnóstico
Un equipo de investigación dirigido por el PD Dr. Tobias Lasser del Instituto de Ingeniería Biomédica de Múnich (MIBE) en la Universidad Técnica de Múnich (TUM) ha desarrollado ahora un nuevo algoritmo de aprendizaje, FusionM4Net, que muestra una precisión diagnóstica promedio más alta que los algoritmos anteriores. El código de FusionM4Net está disponible gratuitamente (https://ciip.in.tum.de/software.html). El nuevo algoritmo utiliza el llamado proceso de fusión de datos multimodal y multietapa para la clasificación de lesiones cutáneas de múltiples etiquetas.
- Multimodal: el algoritmo de aprendizaje incluye tres tipos diferentes de datos: imágenes clínicas, imágenes microscópicas de la lesión cutánea sospechosa y metadatos del paciente.
- Etiqueta múltiple: los investigadores entrenaron el algoritmo para la clasificación de la piel con etiquetas múltiples, es decir, puede diferenciar entre cinco categorías diferentes de lesiones cutáneas.
- Múltiples etapas: el nuevo algoritmo primero fusiona los datos de imagen disponibles y luego los metadatos del paciente. Este proceso de dos etapas permite que los datos de imagen y los metadatos se ponderen en el proceso de toma de decisiones del algoritmo. Esto distingue considerablemente a FusionM4Net de los algoritmos anteriores en este campo, que fusionan todos los datos a la vez.
Para evaluar la precisión diagnóstica de un algoritmo, se puede comparar con la mejor clasificación existente para el conjunto de datos utilizado, para lo cual se asigna el valor 100 por ciento. La precisión diagnóstica promedio de FusionM4Net mejoró al 78,5 por ciento a través del proceso de fusión de múltiples etapas, superando a todos los demás algoritmos de última generación con los que se comparó.
Trabajando hacia la aplicación clínica
Para fomentar la reproducibilidad, se utilizó un conjunto de datos disponible públicamente para entrenar el algoritmo. Sin embargo, en dermatología, los conjuntos de datos no están estandarizados en todas partes. Dependiendo de la clínica, pueden estar disponibles diferentes tipos de imágenes e información del paciente. Por lo tanto, para la implementación clínica real, el algoritmo debe poder manejar el tipo de datos que están disponibles en cada clínica específica.
Junto con el Departamento de Dermatología y Alergología del Hospital Universitario de LMU Munich, el equipo de investigación está trabajando intensamente para hacer que el algoritmo sea operativo para la futura rutina clínica. Con este fin, el equipo está integrando actualmente numerosos conjuntos de datos que se han estandarizado para esta clínica.
El futuro uso clínico de rutina de algoritmos con alta precisión diagnóstica podría ayudar a garantizar que las enfermedades raras también sean detectadas por médicos menos experimentados y podría mitigar las decisiones afectadas por el estrés o la fatiga».
PD Dr. Tobias Lasser, Departamento de Informática y Escuela de Bioingeniería de Munich, Universidad Técnica de Munich
Por lo tanto, los algoritmos de aprendizaje podrían ayudar a mejorar el nivel general de atención médica.
