Un reciente estudio ha sacado a la luz una preocupante realidad: la falta de representación de personas con tonos de piel más oscuros en el conjunto de datos HAM10000, una base de imágenes dermatoscópicas ampliamente utilizada para entrenar modelos de inteligencia artificial (IA) en el diagnóstico de enfermedades cutáneas.
Esta investigación reveló disparidades significativas que podrían perpetuar el racismo visual en la dermatología y comprometer la calidad del diagnóstico en pacientes de piel oscura.
Esta subrepresentación no solo limita la capacidad de los modelos de IA para diagnosticar afecciones cutáneas en personas de piel oscura, sino que también refleja una omisión crítica en la inclusión de variables étnicas necesarias para asegurar diagnósticos precisos y equitativos.
La investigación destaca una falla grave en la base de datos, particularmente en la representación de condiciones como el carcinoma escamocelular y la necrosis pigmentaria difusa, que son más prevalentes o se manifiestan de manera única en poblaciones negras. La falta de categorización detallada de los tonos de piel en la base de datos agrava el problema, ya que impide la precisión diagnóstica en poblaciones racialmente diversas.
Este sesgo racial en las bases de datos médicas no es nuevo, pero los hallazgos subrayan la urgencia de abordar estas inequidades en el diseño y uso de herramientas tecnológicas para la atención médica. La incapacidad para identificar y documentar estas disparidades perpetúa imprecisiones diagnósticas y deja a los profesionales de la salud mal preparados para reconocer afecciones en pacientes de piel oscura.
El estudio, que analizó 10,015 imágenes dermatoscópicas, aplicó técnicas de normalización del color y muestreo de píxeles para evaluar la representación de diferentes tonos de piel. Los resultados son preocupantes: menos del 5% de las imágenes provienen de pacientes con piel oscura. Además, un 4.9% de las imágenes analizadas podrían haber capturado sombras o manchas que no reflejan fielmente el tono de piel del individuo, sino que están influenciadas por la iluminación o las características de la lesión en sí.
La comunidad médica y los desarrolladores de IA deben priorizar la creación de conjuntos de datos más inclusivos y representativos, que reflejen la diversidad global y aseguren un diagnóstico justo para todos los pacientes, independientemente de su origen étnico.
Por esa razón los investigadores concluyen en que es imperativo no solo expandir la cantidad de datos disponibles, sino también mejorar cualitativamente la representación de todas las condiciones de la piel en cada tono, con el fin de garantizar que los avances en IA realmente promuevan la equidad en la atención médica global.
