Exploring the Impact of Skin Color on Skin Lesion Segmentation

Titolo: Esplorazione dell'impatto del colore della pelle sulla segmentazione delle lesioni cutanee

1. Il Problema

La diagnosi precoce del melanoma e di altre lesioni cutanee è fondamentale per la sopravvivenza dei pazienti. I sistemi di intelligenza artificiale (AI) in dermatologia spesso utilizzano la segmentazione delle lesioni come passo preliminare per isolare la lesione dalla pelle circostante prima della classificazione.
Sebbene il bias legato al tono della pelle sia stato ampiamente studiato nella classificazione delle lesioni, il suo impatto sulla fase di segmentazione rimane sottostimato.

• Limitazione degli approcci attuali: La maggior parte degli studi esistenti valuta il bias utilizzando categorie discrete e grossolane (es. scala Fitzpatrick o valori medi ITA). Questi metodi ignorano le sfumature continue e le variazioni intra-immagine del pigmento.
• Ipotesi non verificata: Si presume che una segmentazione perfetta renda il classificatore successivo indifferente al tono della pelle. Tuttavia, se gli algoritmi di segmentazione falliscono su certi toni di pelle (es. pelle molto scura o molto chiara) a causa di un basso contrasto, questo introduce un bias nelle fasi iniziali della diagnosi, compromettendo l'equità dell'intero sistema.

2. Metodologia

Gli autori hanno sviluppato un'analisi sistematica basata su una misurazione distribuita del tono della pelle, evitando la categorizzazione discreta.

• Dataset: Sono stati utilizzati due dataset pubblici di immagini dermoscopiche: HAM10000 (7 classi) e ISIC2017 (classificazione binaria melanoma/non-melanoma).
• Modelli di Segmentazione: Sono stati valutati tre architetture robuste e diverse:
  1. UNet (basato su CNN, backbone ResNet-50).
  2. DeepLabV3 (basato su CNN, backbone ResNet-50).
  3. DINOv2 (basato su Vision Transformer, backbone ViT-B14).
• Preprocessing: Rimozione standardizzata dei peli (per evitare artefatti che influenzano la misurazione del colore) e ridimensionamento delle immagini a 224x224 pixel.
• Metriche di Misurazione del Tono (Contributo Metodologico Chiave):
  • Invece di assegnare un'etichetta discreta, gli autori calcolano l'Angolo di Tipologia Individuale (ITA) a livello di pixel nello spazio colore CIELab.
  • Vengono analizzate 6 pattern di distribuzione dell'ITA:
    1. Immagine intera.
    2. Solo pelle.
    3. Solo lesione.
    4. Contrasto Lesione-Pelle (distanza tra distribuzione pelle e lesione).
    5. Contrasto Immagine-Lesione.
    6. Contrasto Immagine-Pelle.
  • Distanza di Wasserstein (WD): Per quantificare le differenze tra queste distribuzioni, viene utilizzata la Distanza di Wasserstein. Questo metrico statistico è superiore alle distanze L1/L2 perché cattura le differenze sottili nella distribuzione dei colori e delle texture, preservando le sfumature continue.
• Valutazione delle Prestazioni: Sono stati utilizzati 9 metriche standard (IoU, Dice Coefficient, Sensibilità, Specificità, Accuratezza dei Pixel, AUC, Cohen's Kappa, FPR, FNR).

3. Risultati Chiave

L'analisi ha prodotto risultati controintuitivi rispetto alla letteratura precedente:

1. Debole correlazione con il tono globale: Le metriche globali del tono della pelle (raggruppamento Fitzpatrick o ITA medio dell'immagine) mostrano una correlazione molto debole (ρ < 0.2) con la qualità della segmentazione. Questo suggerisce che, all'interno del range di toni presente nei dataset, il "tono della pelle" di per sé non è il principale fattore di errore.
2. Il Contrasto è il fattore critico: Esiste una forte correlazione negativa tra il contrasto pigmento-lesione e l'errore di segmentazione.
   • Un basso contrasto tra la lesione e la pelle circostante è costantemente associato a errori di segmentazione più elevati (minore IoU, minore AUC, maggiori FPR e FNR).
   • Questo fenomeno è stato osservato in modo coerente su tutte e tre le architetture (UNet, DeepLabV3, DINOv2) e su entrambi i dataset.
3. Analisi per Patologia: L'analisi stratificata per malattia (inclusi melanomi e carcinomi basocellulari) conferma che il contrasto è un predittore di errore più affidabile rispetto al raggruppamento discreto del tono della pelle.
4. Validità Statistica: Le correlazioni osservate sono statisticamente significative (p < 0.001) e robuste, come dimostrato dalle intervalli di confidenza al 95% calcolati tramite bootstrap.

4. Contributi Principali

1. Approccio Distributivo al Tono della Pelle: Introduzione di un metodo basato sulla distribuzione statistica (ITA) che preserva le gradazioni e le irregolarità intra-immagine, superando i limiti delle categorie discrete come la scala Fitzpatrick.
2. Quantificazione del Contrasto: Dimostrazione empirica che il contrasto lesione-pelle (misurato tramite Distanza di Wasserstein) è il driver principale degli errori di segmentazione, più del tono della pelle assoluto.
3. Valutazione Multi-Architettura: Conferma che questo fenomeno è indipendente dall'architettura del modello (CNN vs Transformer), indicando un problema intrinseco alla natura visiva del compito di segmentazione in condizioni di basso contrasto.
4. Nuova Direttiva per l'Equità (Fairness): Spostamento del focus dalle "categorie di pelle" alla "gestione del contrasto".

5. Significato e Implicazioni

• Per la Ricerca sull'AI Responsabile: Lo studio suggerisce che gli sforzi per migliorare l'equità nei sistemi dermatologici non dovrebbero concentrarsi principalmente sul bilanciamento dei dataset per categorie Fitzpatrick, ma sul migliorare la capacità dei modelli di gestire lesioni a basso contrasto.
• Implicazioni Cliniche: I casi a basso contrasto sono più propensi a generare ambiguità nei confini, portando a errori di sottosegmentazione o sovrasegmentazione che possono propagarsi agli errori di classificazione e triage.
• Raccomandazioni Pratiche:
  • Implementare report di valutazione stratificati per contrasto.
  • Utilizzare tecniche di campionamento mirato o aumento dei dati (augmentation) per migliorare la rappresentazione dei casi a basso contrasto.
  • Utilizzare i punteggi di contrasto continui come segnale di allerta (audit signal) per attivare revisioni umane o percorsi di triage più sicuri quando la segmentazione è incerta.

In conclusione, il paper dimostra che la "fairness" nella segmentazione delle lesioni cutanee dipende meno dal colore assoluto della pelle del paziente e molto più dalla visibilità del confine della lesione rispetto allo sfondo, offrendo una metrica più informativa per l'audit e il miglioramento dei modelli.