Utilità diagnostica dei concetti visivi clinici su più dataset nei sistemi di IA per la dermatologia

Abstract degli autori

L’integrazione dei sistemi di IA nella pratica clinica della dermatologia digitale dipende in larga misura dalla fiducia delle persone. I concetti visivi interpretabili dal punto di vista clinico possono fungere da rappresentazioni intermedie che accrescono la fiducia e l’affidabilità. La ricerca in questo ambito, tuttavia, è attualmente limitata da annotazioni dei dataset frammentate ed eterogenee. In questo lavoro presentiamo SkinLex, un dataset armonizzato di 48 attributi morfologici clinici, ricavati da quattro dataset pubblici (SkinCon, DermaCon-IN, MM-Skin e PASSION), per un totale di 20.411 record. La classificazione supervisionata delle condizioni cutanee in nove partizioni mostra che limitare le caratteristiche a specifici gruppi visivi, come le sole forme o i soli colori, riduce l’accuratezza diagnostica. L’eliminazione all’indietro mediante bootstrap rivela che, nel dataset esaminato, l’insieme dei 48 concetti visivi presenta un certo grado di ridondanza per la diagnosi algoritmica in nove partizioni. Ciò dimostra che, nel dataset selezionato, per una diagnosi di massima è sufficiente una combinazione relativamente piccola ma varia di concetti clinici e motiva ulteriori ricerche per migliorare la tassonomia dei concetti. I risultati possono tradursi in benefici clinici riducendo gli input dei modelli basati su concetti, migliorando l’efficienza dell’annotazione e della modellazione e accrescendo ulteriormente l’interpretabilità. Il codice e i modelli di prompt sono disponibili all’indirizzo https://github.com/Digital-Dermatology/SkinLex.