Un nuevo estudio ha encontrado que un modelo de aprendizaje automático directo al consumidor para detectar cánceres de piel clasificó incorrectamente los cánceres raros y agresivos como de bajo riesgo.
Los descubrimientos innovadores presentados en el 30 ° Congreso de EADV de hoy sugieren que hacer que las aplicaciones basadas en dichos modelos estén disponibles directamente para el público sin transparencia en las métricas de desempeño para cánceres de piel raros pero potencialmente mortales es éticamente cuestionable.
Las aplicaciones de detección de cáncer de piel directas al consumidor no detectan cánceres potencialmente mortales, encuentra un nuevo estudio
Los investigadores en Londres se centraron en dos tipos de cáncer de piel, el carcinoma de células de Merkel (MCC) y el melanoma amelanótico, ambos cánceres raros pero particularmente agresivos que tienden a crecer rápidamente y requieren un tratamiento temprano. Crearon un conjunto de datos de 116 imágenes de estos cánceres raros y de las lesiones benignas queratosis seborreica y hemangiomas, y evaluaron estas imágenes con dos modelos de aprendizaje automático.
|
Acerca del carcinoma de células de Merkel El carcinoma de células de Merkel (MCC) es un cáncer no melanoma poco común que es muy agresivo y de rápido crecimiento. Comienza en las células de Merkel productoras de hormonas, que generalmente se encuentran en la capa superior de la piel y en los folículos pilosos. El CCM se presenta como bultos de color rojo azulado en la piel, que a menudo se encuentran en la cabeza, el cuello, los brazos y las piernas, pero que pueden extenderse a otras partes del cuerpo. Se asocia principalmente con la luz ultravioleta, proveniente de la exposición prolongada al sol y las camas solares, así como con las condiciones o tratamientos que debilitan el sistema inmunológico y las infecciones por poliomavirus. La prevalencia de CCM es de 0,2 a 0,45 casos por 100.000 habitantes. Acerca del melanoma amelanótico El melanoma es un tipo de cáncer de piel que se desarrolla en células llamadas melanocitos. Afecta con mayor frecuencia a las personas mayores. El melanoma amelanótico es poco común y representa alrededor del 8% de todos los melanomas. Amelanotic significa sin melanina, un pigmento de color oscuro de la piel. A diferencia de otros melanomas, los melanomas amelanóticos suelen ser rojos o del color de la piel en lugar de oscuros. A menudo son difíciles de diagnosticar debido a su falta de color y pueden confundirse con otras afecciones de la piel. Así, como su diagnóstico suele retrasarse, se asocian a un mal pronóstico. |
El primer modelo estudiado fue un dispositivo médico certificado, vendido directamente al público a través de la tienda de aplicaciones y anunciado como capaz de diagnosticar el 95% de los cánceres de piel (Modelo 1). El segundo modelo estaba disponible únicamente con fines de investigación y se utilizó como referencia (Modelo 2).
Los resultados mostraron que el Modelo 1 clasificó incorrectamente al 17,9% de los MCC y al 22,9% de los melanomas amelanóticos como de bajo riesgo. A su vez, el 62,2% de las lesiones benignas se clasificaron como de alto riesgo.
Para la detección de malignidad, la sensibilidad del Modelo 1 fue del 79,4% [intervalo de confianza (IC) del 95%: 69,3-89,4%] y la especificidad fue del 37,7% [IC del 95%: 24,7-50,8].
Para el Modelo 2, MCC no se incluyó en el diagnóstico de los 5 primeros para ninguna de las 28 imágenes de MCC analizadas, lo que plantea la posibilidad de que el modelo no haya sido entrenado en la existencia de esta clase de enfermedad.
La alta tasa de falsos positivos del Modelo 1 tiene consecuencias potencialmente negativas a nivel personal y social.
Los resultados plantean una cuestión más importante sobre la seguridad de otros modelos de inteligencia artificial (IA) para detectar el cáncer de piel disponibles en el mercado.
Lloyd Steele, autor principal del estudio en el Instituto Blizard de la Universidad Queen Mary de Londres, Reino Unido, explica: “Para mejorar, las evaluaciones del modelo de aprendizaje automático deben considerar el espectro de enfermedades que se verán en la práctica. Por el momento, la mayor parte del rendimiento de esos modelos se basa en los datos de imágenes disponibles, que son particularmente escasos cuando se trata de cánceres de piel raros".
Una colaboración global entre grupos de investigación y hospitales puede ser un paso para abordar la brecha de datos de imágenes de cáncer de piel, que es un elemento crucial para una tasa de aprendizaje automático de alto rendimiento.
Marie-Aleth Richard, miembro de la junta de EADV y profesora en el Hospital Universitario de La Timone, Marsella, dijo: “El número de aplicaciones de detección de cáncer de piel disponibles para uso de los consumidores está creciendo, pero como se demuestra en esta investigación, debe haber más transparencia la seguridad y eficacia de estas aplicaciones. Además, estos dispositivos detectan solo lo que se muestra que analizan y no realizan un análisis sistemático de toda la superficie de la piel. No ser transparentes podría poner en riesgo vidas".