Análise de Tom de Pele para Representação em Materiais Educacionais (STAR

npj Digital Medicine volume 6, Número do artigo: 151 (2023) Citar este artigo

640 acessos

26 Altmétrico

Detalhes das métricas

Imagens que retratam tons de pele escuros são significativamente sub-representadas nos materiais educacionais usados ​​para ensinar médicos de cuidados primários e dermatologistas a reconhecer doenças de pele. Isto poderia contribuir para disparidades no diagnóstico de doenças de pele entre diferentes grupos raciais. Anteriormente, os especialistas do domínio avaliavam manualmente os livros didáticos para estimar a diversidade nas imagens da pele. A avaliação manual não se adapta a muitos materiais educacionais e introduz erros humanos. Para automatizar esse processo, apresentamos a estrutura de Análise de Tom de Pele para Representação em Materiais Educacionais (STAR-ED), que avalia a representação de tons de pele em materiais de educação médica usando aprendizado de máquina. Dado um documento (por exemplo, um livro didático em .pdf), o STAR-ED aplica análise de conteúdo para extrair texto, imagens e entidades de tabela em um formato estruturado. Em seguida, ele identifica imagens contendo pele, segmenta as partes dessas imagens que contêm pele e estima o tom de pele usando aprendizado de máquina. O STAR-ED foi desenvolvido usando o conjunto de dados Fitzpatrick17k. Em seguida, testamos externamente o STAR-ED em quatro livros médicos comumente usados. Os resultados mostram forte desempenho na detecção de imagens de pele (0,96 ± 0,02 AUROC e 0,90 ± 0,06 pontuação F1) e classificação de tons de pele (0,87 ± 0,01 AUROC e 0,91 ± 0,00 pontuação F1). O STAR-ED quantifica a representação desequilibrada de tons de pele em quatro livros médicos: as imagens de tons de pele pardos e negros (Fitzpatrick V-VI) constituem apenas 10,5% de todas as imagens de pele. Imaginamos esta tecnologia como uma ferramenta para educadores médicos, editores e profissionais avaliarem a diversidade de tons de pele em seus materiais educacionais.

Livros didáticos de medicina, notas de aula e artigos publicados utilizados nos currículos das principais escolas médicas carecem de representação adequada dos tons de pele nas imagens utilizadas para demonstrar as manifestações das doenças de pele1,2,3. Por exemplo, uma avaliação manual recente de livros médicos comumente usados ​​encontrou uma sub-representação significativa dos tons de pele de Fitzpatrick (FST) V e VI, que representam tons de pele marrom e preto1,2. A pandemia de COVID-19 evidenciou ainda mais esta desigualdade: a anotação manual de fotos publicadas de manifestações cutâneas de COVID-19 revelou sub-representação de imagens que retratam pele escura4.

Como as doenças de pele aparecem de forma diferente entre os tons de pele, são necessários materiais educativos que representem diversos tons de pele para uma força de trabalho de saúde bem treinada1,2,3,4,5. Louie e Wilkes sugerem que as desigualdades raciais nos cuidados de saúde (acessibilidade, prestação e qualidade) são influenciadas pela falta de representação diversificada nos materiais curriculares1. Por exemplo, o diagnóstico de câncer de pele (por exemplo, melanoma, carcinoma de células escamosas) é significativamente retardado em pacientes negros, levando ao aumento da morbidade e mortalidade6.

Análises anteriores de materiais acadêmicos relacionados à dermatologia (revistas e livros didáticos) mostraram sub-representação do FST V e VI; entretanto, as imagens foram anotadas e analisadas manualmente, ou seja, um especialista do domínio localizou cada imagem em um livro/revista e rotulou o tom de pele. Infelizmente, esta abordagem manual não é tratável para um corpus grande devido à sua natureza trabalhosa, à fadiga visual do operador e ao erro intra-inter-observador na rotulagem do tom de pele . A avaliação automática da representação do tom de pele usando aprendizado de máquina (ML) promete ajudar significativamente na identificação de preconceitos em materiais educacionais médicos e não foi feita anteriormente em materiais educacionais.

Abordagens baseadas em aprendizado de máquina para análise de tons de pele em dermatologia foram anteriormente aplicadas apenas a conjuntos de dados selecionados (por exemplo, ISIC 20187 e SD-1988), mas não a materiais acadêmicos do mundo real. Uma abordagem anterior utilizou ângulo de tipologia individual (ITA) calculado a partir de valores de intensidade de pixel9,10,11; os valores de ITA foram então mapeados para FST12. No entanto, anteriormente, um modelo de aprendizado de máquina treinado para classificar o FST diretamente a partir de imagens de pele teve melhor desempenho na categorização do FST do que a estimativa baseada em ITA com conversão para FST13. Os métodos baseados em ITA dependem de valores brutos de pixels, tornando-os mais sensíveis às condições de iluminação. Esses modelos anteriores identificaram que conjuntos de dados de imagens de pele selecionados usados ​​para desenvolver modelos de aprendizado de máquina em dermatologia sub-representavam significativamente os tons de pele escuros.