Kvak, D., Březinová, E., Biroš, M., Hrubý, R. (2023). Synthetic Data as a Tool to Combat Racial Bias in Medical AI: Utilizing Generative Models for Optimizing Early Detection of Melanoma in Fitzpatrick Skin Types IV–VI. In: Su, R., Zhang, Y., Liu, H., F Frangi, A. (eds) Medical Imaging and Computer-Aided Diagnosis. MICAD 2022. Lecture Notes in Electrical Engineering, vol 810. Springer, Singapore. https://doi.org/10.1007/978-981-16-6775-6_26
Abstrakt:
Asistenční nástroje na pomoc při odhalování rakoviny kůže zažívají nebývalý vzestup s dostupností robustních a přesných nástrojů modelů hlubokého učení. V současných aplikacích však pouze zanedbatelný počet dermatologických snímků pochází od pacientů s Fitzpatrickovým typem pleti IV-VI, které představují hnědou, tmavě hnědou, respektive černou pleť. V této studii demonstrujeme využití autoregresivních modelů Zero-Shot Textto-Image k vytváření syntetických lékařských dat pro lepší vyváženost při tréninku klasifikačních modelů CAD s minimalizací rasovým zkreslením. Synteticky vygenerované snímky kožních lézí byly hodnoceny zkušeným dermatologem s použitím pravidla ABCD a diferenciálního hodnocení diagnostiky a následně ověřeny pomocí předem natrénovaného modelu ResNet50V2 klasifikačního modelu více tříd.
