A Generative AI Approach for Reducing Skin Tone Bias in Skin Cancer Classification

1. O Problema

O diagnóstico precoce do câncer de pele é crucial, mas as ferramentas atuais de Inteligência Artificial (IA) sofrem de um viés significativo devido à desbalanceamento demográfico nos conjuntos de dados de treinamento.

• Viés de Dados: O conjunto de dados ISIC (International Skin Imaging Collaboration), amplamente utilizado como padrão, é composto por mais de 70% de imagens de pele clara (Fitzpatrick I-III), enquanto peles escuras (Fitzpatrick V-VI) representam menos de 8%.
• Consequências: Modelos treinados nesses dados tendem a ter desempenho inferior em pacientes com pele escura, levando a diagnósticos errados ou atrasados e perpetuando disparidades na saúde.
• Desafio: A coleta de mais dados clínicos reais de grupos sub-representados é limitada por regulamentações de privacidade, barreiras institucionais e a dificuldade de obter dados anotados.

2. Metodologia

Os autores propõem um pipeline de aumento de dados sintéticos utilizando Inteligência Generativa para corrigir esse desbalanceamento. O processo segue seis etapas principais:

1. Análise e Identificação de Subconjunto:

   • Utilização do conjunto de dados ISIC (17.728 imagens).
   • Cálculo do Ângulo de Tipologia Individual (ITA) para classificar objetivamente o tom de pele e mapeá-lo para a escala Fitzpatrick.
   • Identificação do subconjunto de pele escura (FST V e VI), contendo apenas 1.407 imagens (7,94% do total).

2. Ajuste Fino do Modelo Generativo (LoRA):

   • Utilização de um modelo pré-treinado Stable Diffusion.
   • Aplicação de LoRA (Low-Rank Adaptation) para ajustar o modelo ao domínio de imagens dermatoscópicas de pele escura, com baixo custo computacional e sem descongelar todos os parâmetros do modelo base.
   • O modelo foi treinado especificamente no subconjunto de 1.407 imagens de pele escura.

3. Geração Condicional de Imagens Sintéticas:

   • Geração de 808 novas imagens sintéticas de lesões (144 melanocíticas e 664 não melanocíticas), condicionadas ao tipo de lesão e tom de pele.
   • Isso quase duplica a quantidade de dados disponíveis para peles escuras no conjunto de dados original.

4. Validação e Integração:

   • As imagens sintéticas foram validadas estatisticamente (histogramas de cor, SSIM, GLCM) para garantir realismo e remover artefatos.
   • Criação de um conjunto de dados aumentado (Original + Sintético) totalizando 18.536 imagens.

5. Avaliação em Duas Tarefas de Downstream:

   • Segmentação de Lesão: Um modelo CNN foi treinado para delimitar os limites da lesão. Crucialmente, a avaliação foi feita exclusivamente em imagens reais (não sintéticas) para verificar se o modelo aprendeu características estruturais reais a partir dos dados sintéticos.
   • Classificação Binária: Um modelo EfficientNet-B0 foi treinado para classificar lesões como melanocíticas vs. não melanocíticas.

3. Principais Contribuições

• Pipeline Inovador: Desenvolvimento de um fluxo de trabalho que utiliza LoRA e Stable Diffusion para aumentar especificamente subgrupos demográficos sub-representados em dados médicos.
• Validação Rigorosa: Demonstração de que dados sintéticos podem melhorar o desempenho em tarefas reais, provado através da avaliação de segmentação em um conjunto de teste puramente real.
• Aumento da Representatividade: Geração bem-sucedida de imagens de pele escura (FST V-VI), mitigando o desbalanceamento do conjunto ISIC.
• Análise de Viés: Discussão sobre como a IA generativa pode ser usada para promover equidade na saúde, indo além da simples melhoria de métricas agregadas.

4. Resultados

Os experimentos foram realizados em um cluster HPC (Stanage) usando GPUs NVIDIA Tesla.

• Segmentação (Validação de Qualidade):

  • O modelo CNN treinado com dados aumentados (Real + Sintético) superou consistentemente o modelo treinado apenas com dados originais e o algoritmo clássico Max-Flow.
  • Melhoria no IoU (Interseção sobre União): De 0,82 (Base) para 0,85 (Aumentado).
  • Melhoria no Coeficiente Dice: De 0,88 para 0,90.
  • Redução na Distância de Hausdorff: De 12px para 10px, indicando bordas de lesão mais precisas.
  • Significado: Isso prova que as imagens sintéticas capturaram características estruturais clinicamente relevantes que se transferiram para dados reais.

• Classificação (Diagnóstico):

  • O modelo EfficientNet-B0 treinado com dados aumentados alcançou 92,14% de precisão na validação, comparado a 85,45% do modelo base.
  • Precisão (Precision): Aumentou de 0,82 para 0,89.
  • Revocação (Recall): Aumentou de 0,78 para 0,87.
  • Observação sobre AUC: Houve uma leve queda na AUC de validação (0,9765 para 0,9480). Os autores atribuem isso à complexidade distribucional introduzida pelas imagens sintéticas, que pode tornar o ranking de probabilidade mais difícil, embora a classificação baseada em limiar tenha melhorado.

• Eficiência Computacional:

  • A geração de imagens leva ~4-6 segundos/imagem (aceitável para aumento offline).
  • A inferência do modelo de classificação é rápida (60 ms/imagem), adequada para triagem clínica.

5. Significado e Direções Futuras

• Impacto Clínico: O estudo demonstra que a síntese de dados pode ser uma ferramenta viável para reduzir disparidades raciais em diagnósticos de IA, permitindo que modelos aprendam padrões de lesões em todos os tipos de pele.
• Limitações e Próximos Passos:
  • Validação Clínica: As imagens sintéticas não foram validadas por dermatologistas quanto à plausibilidade clínica, o que é um passo crítico futuro.
  • Teste em Dados Reais: A avaliação de classificação foi feita em um conjunto misto (real + sintético). Futuros trabalhos devem testar estritamente em dados reais para medir a generalização real.
  • Escala: É necessário aumentar o volume de dados sintéticos e corrigir o desbalanceamento entre classes de câncer (melanoma vs. não melanoma), não apenas entre tons de pele.

Em resumo, o artigo oferece um framework prático que utiliza IA Generativa para abordar a falta de diversidade em dados médicos, demonstrando melhorias tangíveis na precisão e justiça dos sistemas de diagnóstico de câncer de pele.