Анализ тона кожи для представления в учебных материалах (STAR

Aug 03, 2023

npj Digital Medicine, том 6, Номер статьи: 151 (2023) Цитировать эту статью

640 Доступов

26 Альтметрика

Подробности о метриках

Изображения, изображающие темный оттенок кожи, значительно недостаточно представлены в учебных материалах, используемых для обучения врачей первичной медико-санитарной помощи и дерматологов распознаванию кожных заболеваний. Это может способствовать различиям в диагностике кожных заболеваний среди разных расовых групп. Раньше эксперты в данной области вручную оценивали учебники, чтобы оценить разнообразие изображений кожи. Ручное оценивание не применимо ко многим учебным материалам и приводит к человеческим ошибкам. Чтобы автоматизировать этот процесс, мы представляем структуру анализа тона кожи для представления в образовательных материалах (STAR-ED), которая оценивает представление тона кожи в медицинских образовательных материалах с использованием машинного обучения. Учитывая документ (например, учебник в формате .pdf), STAR-ED применяет анализ содержимого для извлечения текста, изображений и объектов таблицы в структурированном формате. Затем он идентифицирует изображения, содержащие кожу, сегментирует части этих изображений, содержащие кожу, и оценивает оттенок кожи с помощью машинного обучения. STAR-ED был разработан с использованием набора данных Fitzpatrick17k. Затем мы протестировали STAR-ED на четырех широко используемых медицинских учебниках. Результаты показывают высокую эффективность в обнаружении изображений кожи (0,96 ± 0,02 AUROC и 0,90 ± 0,06 балла F1) и классификации оттенков кожи (0,87 ± 0,01 AUROC и 0,91 ± 0,00 балла F1). STAR-ED количественно определяет несбалансированное представление оттенков кожи в четырех медицинских учебниках: изображения коричневых и черных оттенков кожи (Фитцпатрик V-VI) составляют только 10,5% всех изображений кожи. Мы рассматриваем эту технологию как инструмент для медицинских преподавателей, издателей и практиков, позволяющий оценивать разнообразие оттенков кожи в своих учебных материалах.

Медицинские учебники, конспекты лекций и опубликованные статьи, используемые в учебных программах ведущих медицинских вузов, не обеспечивают адекватного представления оттенков кожи на изображениях, используемых для демонстрации проявлений кожных заболеваний1,2,3. Например, недавняя ручная оценка широко используемых медицинских учебников выявила значительное недопредставление оттенков кожи по Фитцпатрику (FST) V и VI, которые представляют собой коричневые и черные оттенки кожи1,2. Пандемия COVID-19 еще больше подчеркнула это неравенство: ручное аннотирование опубликованных фотографий кожных проявлений COVID-19 выявило недопредставленность изображений, изображающих темную кожу4.

Поскольку кожные заболевания проявляются по-разному в зависимости от цвета кожи, для хорошо подготовленных медицинских работников необходимы учебные материалы, изображающие различные оттенки кожи1,2,3,4,5. Луи и Уилкс предполагают, что на расовое неравенство в сфере здравоохранения (доступность, оказание услуг и качество) влияет отсутствие разнообразия в учебных материалах1. Например, у цветных пациентов диагноз рака кожи (например, меланомы, плоскоклеточного рака) значительно задерживается, что приводит к увеличению заболеваемости и смертности6.

Предыдущий анализ академических материалов по дерматологии (журналов и учебников) показал недостаточную представленность FST V и VI; однако изображения аннотировались и анализировались вручную, т. е. эксперт в предметной области находил каждое изображение в учебнике/журнале и отмечал оттенок кожи. К сожалению, этот ручной подход непригоден для большого корпуса из-за его трудоемкого характера, зрительной усталости оператора и ошибки внутри наблюдателя при маркировке цвета кожи1,2,4. Автоматическая оценка представления тона кожи с использованием машинного обучения (МО) обещает значительно помочь в выявлении предвзятости в медицинских образовательных материалах и ранее не проводилась в образовательных материалах.

Подходы к анализу тона кожи в дерматологии, основанные на машинном обучении, ранее применялись только к тщательно подобранным наборам данных (например, ISIC 20187 и SD-1988), но не к реальным академическим материалам. В одном из предыдущих подходов использовался индивидуальный типологический угол (ITA), рассчитанный на основе значений интенсивности пикселей9,10,11; значения ITA затем были сопоставлены с FST12. Однако ранее модель машинного обучения, обученная классифицировать FST непосредственно по изображениям кожи, работала лучше при классификации FST, чем оценка на основе ITA с преобразованием в FST13. Методы на основе ITA зависят от необработанных значений пикселей, что делает их более чувствительными к условиям освещения. Эти предыдущие модели показали, что наборы данных изображений кожи, используемые для разработки моделей машинного обучения в дерматологии, значительно недопредставлены в темных тонах кожи.