💻 computer science

MIFR: A Modality-Invariant and Fair Representation Framework for Skin Disease Classification

Este artículo presenta MIFR, un nuevo marco que aprovecha imágenes clínicas y dermoscópicas multimodales con una función de pérdida multiobjetivo para lograr simultáneamente una clasificación de enfermedades de la piel de alta precisión y un rendimiento equitativo en diversos tonos de piel.

Autores originales: Asonyu Senge Njih, Yvan Guifo Fodjo, Vianney Kengne Tchendji, Jerry Lacmou Zeutouo, Kerol Djoumessi

Publicado 2026-08-20

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Asonyu Senge Njih, Yvan Guifo Fodjo, Vianney Kengne Tchendji, Jerry Lacmou Zeutouo, Kerol Djoumessi

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La piel es el órgano más grande del cuerpo, un paisaje complejo donde las manchas inofensivas y los cánceres peligrosos pueden parecerse sorprendentemente. Durante décadas, los médicos han dependido de dos formas principales para examinar estas lesiones: una fotografía estándar tomada con una cámara regular, conocida como imagen clínica, y una vista altamente magnificada tomada con un dispositivo especial llamado dermoscopio. Si bien la inteligencia artificial se ha vuelto hábil recientemente en la detección de enfermedades de la piel, estas herramientas digitales enfrentan dos obstáculos persistentes. Primero, la mayoría de los sistemas están entrenados para observar solo un tipo de imagen, lo que significa que un modelo que funciona bien en fotos dermoscópicas magnificadas podría fallar por completo en una foto clínica estándar. Segundo, y quizás más crítico, estos sistemas suelen tener dificultades cuando se aplican a personas con piel oscura. Debido a que la gran mayoría de los datos de entrenamiento provienen de personas con complexiones claras, los algoritmos aprenden a reconocer enfermedades basándose en características que no se traducen bien a los tonos de piel oscuros, lo que conduce a diagnósticos erróneos y resultados de salud desiguales.

Un equipo de investigadores ha propuesto un nuevo enfoque para resolver ambos problemas simultáneamente, creando un sistema que trata los diferentes tipos de imágenes y los diferentes tonos de piel con la misma equidad. Su trabajo, titulado MIFR, introduce un marco diseñado para aprender una comprensión única y unificada de la enfermedad de la piel que no dependa de cómo se tomó la foto o del color de la piel. En lugar de construir herramientas separadas para fotos clínicas e imágenes dermoscópicas, o entrenar diferentes modelos para diferentes tipos de piel, este sistema aprende a ver la enfermedad subyacente en sí misma. Los investigadores emparejaron fotografías clínicas con sus correspondientes imágenes dermoscópicas del mismo paciente, enseñando a la computadora a reconocer que estas dos imágenes muy diferentes muestran la misma condición médica. Al forzar al sistema a alinear estas diferentes vistas, el modelo aprende a ignorar las diferencias superficiales causadas por la cámara o la iluminación y a concentrarse enteramente en los signos biológicos de la enfermedad.

Para asegurar que el sistema no aprenda accidentalmente a discriminar basándose en el color de la piel, los investigadores añadieron un ingenioso mecanismo de entrenamiento. Enseñaron a la computadora a predecir la enfermedad mientras simultáneamente intentaba ocultar el tipo de piel del paciente al modelo. Imagine a un estudiante que debe responder una pregunta difícil correctamente, pero tiene prohibido usar cualquier pista sobre su origen para hacerlo. En esta versión digital, el sistema juega un juego donde una parte intenta adivinar el tono de piel a partir de las características de la imagen, y otra parte intenta desordenar esas características para que la suposición falle. Con el tiempo, el sistema aprende a eliminar cualquier información relacionada con el color de la piel, conservando solo los detalles necesarios para diagnosticar la enfermedad. Este proceso asegura que la herramienta final funcione tan bien para una persona con la piel más oscura como para alguien con la más clara.

Los investigadores probaron su nuevo marco en una colección de imágenes de piel de varias bases de datos públicas, incluyendo un conjunto de imágenes emparejadas donde existía tanto una foto clínica como una imagen dermoscópica para la misma lesión. Se centraron en tres condiciones comunes: melanoma, una forma peligrosa de cáncer de piel; nevos, que son lunares benignos; y carcinoma basocelular, el tipo más común de cáncer de piel. Los resultados mostraron que el sistema podía clasificar con precisión estas enfermedades ya fuera que estuviera mirando una foto estándar o una vista magnificada, demostrando que había aprendido con éxito una representación invariante de la modalidad. Cuando se probó en datos que nunca había visto, incluyendo conjuntos de datos de diferentes regiones, el modelo mantuvo una alta precisión, superando a métodos anteriores que estaban especializados en solo un tipo de imagen.

Quizás lo más importante es que el sistema demostró una mejora significativa en la equidad. Cuando los investigadores midieron qué tan bien funcionaba el modelo a través de diferentes tonos de piel, el nuevo enfoque mostró una brecha mucho menor en la precisión entre los grupos más claros y más oscuros en comparación con las herramientas existentes. Las visualizaciones de los datos confirmaron que la computadora, de hecho, había agrupado las imágenes de la misma enfermedad, independientemente de si provenían de una cámara clínica o un dermoscopio, e independientemente del tono de piel del paciente. Los grupos de puntos de datos en el mapa interno de la computadora estaban mezclados, mostrando que el sistema ya no separaba a los pacientes por su color de piel o el tipo de imagen utilizado.

Si bien los resultados son prometedores, los investigadores reconocen que su método no es una solución perfecta para cada situación. El sistema requiere actualmente imágenes emparejadas para el entrenamiento, las cuales son raras en el mundo real, y la configuración de doble cámara aumenta el costo computacional. Además, el estudio señaló que el rendimiento del modelo disminuyó ligeramente cuando se probó en un conjunto de datos que contenía solo imágenes dermoscópicas, sugiriendo que el esfuerzo por hacer que el sistema funcione para ambos tipos de imágenes a veces significa sacrificar un pequeño detalle específico de uno de ellos. A pesar de estas limitaciones, este trabajo marca un paso significativo hacia adelante. Demuestra que es posible construir inteligencia artificial que no solo sea precisa, sino también equitativa, capaz de servir a pacientes a través de todo el espectro de tonos de piel humanos y a través de diferentes entornos de imagen médica sin necesidad de herramientas separadas y especializadas para cada uno.

Resumen Técnico: MIFR – Un Marco de Representación Invariante a la Modalidad y Justo para la Clasificación de Enfermedades de la Piel

1. Declaración del Problema

El diagnóstico de enfermedades de la piel mediante aprendizaje profundo enfrenta dos barreras críticas para su despliegue clínico en el mundo real:

Heterogeneidad de Modalidades: Las lesiones cutáneas se capturan mediante modalidades de imagen heterogéneas, principalmente fotografías clínicas e imágenes dermoscópicas. Los modelos existentes suelen depender de una sola modalidad, lo que puede ser insuficiente para un diagnóstico preciso.
Disparidades Demográficas: Los conjuntos de datos públicos de dermatología están dominados por tonos de piel claros (Tipos de Piel de Fitzpatrick I–III), lo que provoca que los modelos funcionen significativamente peor en pieles más oscuras (FST IV–VI). Esto perpetúa las disparidades en la atención médica.

Los enfoques actuales suelen abordar estos problemas de forma aislada. Los métodos conscientes de la equidad (por ejemplo, FairDisCo, PatchAlign) generalmente operan en modalidades únicas, mientras que los modelos fundacionales multimodales (por ejemplo, PanDerm) a menudo carecen de restricciones de equidad explícitas. Además, muchos métodos de equidad requieren etiquetas de atributos sensibles (tono de piel) en el momento de la inferencia, lo cual es poco práctico en entornos clínicos.

2. Metodología: El Marco MIFR

Los autores proponen MIFR (Representación Invariante a la Modalidad y Justa), una arquitectura de doble codificador diseñada para procesar conjuntamente imágenes clínicas y dermoscópicas, aplicando al mismo tiempo la equidad sin requerir atributos sensibles durante la inferencia.

2.1 Arquitectura

Codificadores Duales: El modelo emplea dos codificadores independientes de Vision Transformer (ViT-Small): uno para imágenes clínicas ( $f^c_\theta$ ) y otro para imágenes dermoscópicas ( $f^d_\phi$ ).
Cabezales de Proyección: La salida de cada codificador se pasa a través de un cabezal de proyección específico de la modalidad (un perceptrón multicapa con normalización por lotes y activaciones GELU) para mapear las entradas en un espacio de incrustación (embedding) compartido de alta dimensión ( $\mathbb{R}^{512}$ ).
Flexibilidad de Inferencia: En la inferencia, las ramas auxiliares se descartan. El modelo puede operar con imágenes clínicas, dermoscópicas o ambas, eliminando la necesidad de modelos especializados separados.

2.2 Función de Pérdida Multiobjetivo

El proceso de entrenamiento optimiza una función de pérdida unificada ( $L_{Total}$ ) que consta de cinco componentes:

Clasificación de Objetivo ( $L_{cls}$ ): Una pérdida de entropía cruzada ponderada que aborda el desequilibrio de clases para asegurar una predicción de enfermedad precisa ( $y_i$ ).
Rama de Atributo de Tono de Piel (SA): Un mecanismo adversarial para eliminar el sesgo del tono de piel ( $s_i$ $s_{i}$ ) de las características sin necesidad de $s_i$ $s_{i}$ en la inferencia.
- Pérdida de Confusión ( $L_{conf}$ ): Entrena al codificador principal para que el clasificador de tono de piel sea incierto (maximizando la entropía), ocultando eficazmente las pistas del tono de piel.
- Pérdida de Piel ( $L_{skin}$ ): Entrena al clasificador de tono de piel auxiliar para predecir la etiqueta real, evitando que el codificador colapse en una solución trivial.
Rama Contrastiva ( $L_{contr}$ ): Una pérdida contrastiva supervisada aplicada por modalidad para atraer las incrustaciones de la misma clase de enfermedad y separar las clases diferentes, estableciendo una compacidad intra-clase.
Rama de Invariancia de Modalidad ( $L_{MI}$ ): Basada en VICReg, esta impone la alineación entre las incrustaciones clínicas y dermoscópicas de la misma lesión. Incluye:
- Invariancia ( $L_{inv}$ ): Minimiza la distancia de coseno entre las incrustaciones emparejadas.
- Varianza ( $L_{var}$ ): Evita el colapso dimensional asegurando una varianza suficiente en cada dimensión de la incrustación.
- Covarianza ( $L_{cov}$ ): Descorrelaciona las dimensiones de la incrustación para reducir la redundancia.

3. Configuración Experimental

Conjuntos de Datos:
- Entrenamiento Interno: Conjuntos de datos emparejados HIBA (1,195 imágenes con FST) y Derm7pt (1,738 imágenes con FST estimado), filtrados para Melanoma (MEL), Nevus (NV) y Carcinoma Basocelular (BCC).
- Benchmarks Externos: PAD-UFES-20 (imágenes clínicas) e ISIC 2019 (imágenes dermoscópicas).
Líneas Base (Baselines): Comparación contra FairDisCo y PatchAlign.
Métricas: Exactitud (Acc), puntuación F1, AUC, Disparidad de Calidad Predictiva (PQD) y Brecha de Exactitud ( $\Delta$ Acc).

4. Resultados Clave

4.1 Rendimiento Interno (HIBA + Derm7pt)

Equidad: El modelo completo MIFR logró un PQD del 87.23%, superando sustancialmente a FairDisCo (66.67%) y PatchAlign (82.98%).
Exactitud: MIFR alcanzó un 93.33% de exactitud y un F1-score de 92.17%. Aunque es ligeramente inferior a las líneas base (93.81%), el rendimiento sigue siendo altamente competitivo.
Ablación: La combinación de aprendizaje contrastivo e invariancia de modalidad (BASE+Contr+MI) produjo la menor brecha de exactitud (0.0265), lo que sugiere que la invariancia de la modalidad promueve implícitamente la equidad.

4.2 Generalización Externa

PAD-UFES-20 (Clínica): MIFR superó significativamente a las líneas base en Exactitud (85.10% vs. 78.35% para FairDisCo) y AUC (91.89% vs. 83.44%).
ISIC 2019 (Dermoscópica): MIFR logró un 76.64% de exactitud, igualando a FairDisCo y superando a PatchAlign. Sin embargo, el AUC (80.50%) fue inferior al del modelo base (86.62%). Los autores atribuyen esto a un compromiso donde la imposición de la invariancia de la modalidad sacrifica cierta discriminación específica de la modalidad en favor de la generalizabilidad entre modalidades.

4.3 Visualización

Las visualizaciones t-SNE confirmaron que:

Las incrustaciones clínicas y dermoscópicas de la misma enfermedad están geométricamente alineadas (invariancia de modalidad).
Los tonos de piel están casi perfectamente mezclados dentro de los grupos de enfermedades, lo que indica la eliminación del sesgo del tono de piel (equidad).

5. Significado y Reivindicaciones

El artículo afirma que MIFR representa un paso significativo hacia un diagnóstico de enfermedades de la piel equitativo y robusto al:

Unificar Objetivos: Tratar con éxito la invariancia de la modalidad y la equidad como un problema de optimización conjunta en lugar de desafíos separados.
Despliegue Práctico: Eliminar la necesidad de etiquetas de atributos sensibles durante la inferencia, un requisito que limita muchos métodos conscientes de la equidad existentes.
Robustez entre Conjuntos de Datos: Demostrar una generalización superior en benchmarks externos (PAD-UFES-20), validando su aplicabilidad en escenarios del mundo real donde las distribuciones de datos cambian.

6. Limitaciones y Direcciones Futuras

Los autores reconocen ciertas restricciones:

Dependencia de Datos: El marco depende de datos de entrenamiento emparejados (imágenes clínicas y dermoscópicas de la misma lesión), que a menudo son escasos.
Costo Computacional: La arquitectura de doble codificador aumenta la carga computacional en comparación con los modelos de codificador único.
Sesgo de los Conjuntos de Datos: El estudio utilizó repositorios internacionales que carecen de datos de lesiones cutáneas africanas. Los autores señalan que los conjuntos de datos públicos siguen sesgados hacia tonos de piel claros, y adaptar MIFR a conjuntos de datos clínicos africanos (por ejemplo, eSkinHealth) es una dirección futura necesaria para abordar el bajo rendimiento específico de los métodos previos en FST IV–VI.
Ajuste de Hiperparámetros: La interacción de los cinco pesos de pérdida requirió un ajuste manual en el conjunto de validación, en lugar de una búsqueda exhaustiva, lo que puede no garantizar un rendimiento óptimo.