Work

Disentanglement and Assessment of Shortcuts on Ophthalmological Retinal Imaging Exams

Year: 2025
Type: dissertation
Abstract: A retinopatia diabética (RD) é a principal causa de perda de visão em pessoas em idade ativa nos países desenvolvidos.Os programas de rastreio são fundamentais para reduzir o risco de cegueira, mas as técnicas tradicionais de imagiologia continuam a ser dispendiosas e inacessíveis em locais com recursos limitados, em parte devido à escassez de oftalmologistas.Os algoritmos de inteligência artificial (IA) apresentam uma solução promissora para simplificar o processo de diagnóstico, melhorando a acessibilidade.No entanto, persistem preocupações quanto à equidade e generalização desses modelos, dada a falta de dados oftalmológicos de países de baixo e médio rendimento (PBMR).Este trabalho tem como objetivo avaliar a equidade e o desempenho dos modelos treinados por imagem na previsão da RD e avaliar o disentanglement como uma abordagem de mitigação da desigualdade.Utilizando duas bases de dados, mBRSET e BRSET, três modelos do estado da arte, incluindo o ConvNeXt V2 e os vision transformers DINOv2 e Swin V2, foram treinados em imagens da mácula para prever a RD e atributos sensíveis (AS) (e.g., idade e género/sexo).Além disso, a regressão logística, o extreme gradient boosting (XGBoost) e as árvores de decisão foram treinados em dados demográficos e clínicos para prever a RD.A equidade foi avaliada entre subgrupos de AS.O disentanglement foi efetuado e o seu impacto no desempenho e na equidade foi avaliado utilizando area under the receiver operating characteristic curve (AUROC), análise da curva de decisão e gráficos de distribuição de risco.Os modelos de deep learning (DL) treinados em imagens da mácula da retina alcançaram um elevado desempenho no diagnóstico da RD (94% e 99% AUROC, para o mBRSET e BRSET, respetivamente).Os modelos DL também foram capazes de prever razoavelmente a idade e o género/sexo, produzindo AUROCs de 91% e 77%, respetivamente.Os modelos treinados para prever DR em dados de pacientes exibiram um desempenho substancialmente inferior para o mBRSET (72% AUROC) e um ligeiro declínio para o BRSET (92% AUROC).A avaliação da equidade sugere potenciais disparidades no mBRSET, com uma diferença de 26% e 10% AUROC observada entre pacientes com menos e mais de 50 anos de idade, para dados não aumentados e aumentados, respetivamente, enquanto o BRSET teve variações mínimas.O disentanglement de AS da previsão da retinopatia diabética no mBRSET teve resultados variáveis, dependendo do modelo selecionado.O disentanglement utilizando o DINOv2 mostrou um aumento de desempenho AUROC de 23% e 2%, para dados não aumentados e aumentados, respetivamente.Para os modelos ConvNeXt V2 e Swin V2, usando dados aumentados, houve uma diminuição de 7% e 3% do AUROC, respetivamente.Embora o disentanglement não tenha levado a melhorias na justiça e no desempenho na maioria dos modelos, o DINOv2 mostrou resultados muito promissores.Dada a complexidade do disentanglement de caraterísticas finas em imagens de fundo de olho, são necessárias mais adaptações à arquitetura para conseguir um disentanglement eficaz.Em suma, os nossos resultados sublinham a importância de priorizar à equidade em IA de imagem médica, bem como os desafios envolvidos na remoção de viés.É essencial continuar a desenvolver estratégias para garantir sistemas de IA equitativos e fiáveis nos cuidados de saúde.
Author: Leonor Justo dos Santos Fernandes
Language: English
Field: Medicine
Open Access status: green
OpenAlex ID: W7111485269
Cites: 113
Cited by:
Related to: 10