Datos Sintéticos: Cambiar Raza En Imágenes Faciales Para Abordar Sesgos En Conjuntos De Datos Médicos

Los investigadores de la UCLA han desarrollado un método para cambiar la raza aparente de las caras en los conjuntos de datos utilizados para entrenar sistemas de aprendizaje automático médico, con el fin de abordar el sesgo racial que muchos conjuntos de datos comunes sufren.

La nueva técnica es capaz de producir video sintético fotorealista y fisiológicamente preciso a una velocidad promedio de 0,005 segundos por cuadro, y se espera que ayude en el desarrollo de nuevos sistemas de diagnóstico y monitoreo de atención remota – un campo que ha crecido enormemente bajo las restricciones de COVID. El sistema está diseñado para mejorar la aplicabilidad de la fotopletismografía remota (rPPG), una técnica de visión por computadora que evalúa el contenido de video facial para detectar cambios volumétricos en el suministro de sangre de manera no invasiva.

Fuente: https://arxiv.org/pdf/2106.06007.pdf. Haz clic para ampliar.

Aunque el trabajo, que utiliza redes neuronales convolucionales (CNN), incorpora código de investigación previo publicado por la Universidad de Durham en 2020, la nueva aplicación está diseñada para preservar las señales de pulso en los datos de prueba originales, en lugar de simplemente cambiar visualmente la raza aparente de los datos, como lo hace la investigación de 2020.

CNN Para Transformación Racial

La primera parte del sistema codificador-decodificador utiliza el modelo de transferencia de raza de Durham, preentrenado en VGGFace2, para generar cuadros objetivo proxy con el componente caucásico-africano previo de la investigación de Durham. Esto produce una transferencia plana de características raciales, pero no contiene las variaciones de color y tono que representan indicadores visuales fisiológicos del estado de flujo sanguíneo del paciente.

La tubería de transformación de la investigación de 2020 de la Universidad de Durham, parte de la cual se incorpora en la nueva investigación de la UCLA. Fuente: https://arxiv.org/pdf/2004.08945.pdf. Haz clic para ampliar.

Una segunda red, llamada PhysResNet (PRN), proporciona el componente rPPG. PhysResNet está entrenado para aprender tanto la apariencia visual como las variaciones de color que definen los movimientos de volumen de sangre subcutánea.

Abajo a la izquierda, los resultados obtenidos por la investigación de 2020 de Durham, que carecen de información de PPG. A la izquierda del medio, la información de PPG incorporada en la transformación racial. Haz clic para ampliar.

La arquitectura que propone el proyecto de la UCLA supera a las técnicas de rPPG competidoras incluso en la ausencia de aumento de color de la piel, lo que representa una mejora del 31% en técnicas similares optimizadas con MAE y RMSE.

La red de la UCLA preserva con éxito la información de volumen y distribución de sangre. Haz clic para ampliar.

Los investigadores de la UCLA esperan que el trabajo futuro aborde desafíos más extensos para abordar el sesgo racial en este sector de la imagen médica, y también esperan que los esquemas posteriores produzcan video de mayor resolución, ya que el sistema en cuestión está limitado a una resolución de 80×80 píxeles – adecuada razonablemente bien para las limitaciones de la teleasistencia, pero no ideal.

Falta De Conjuntos De Datos Étnicamente Diversos

Las circunstancias económicas y prácticas que llevan a conjuntos de datos racialmente diversos han sido un obstáculo para la investigación médica durante algunos años. Los datos tienden a generarse de manera parroquial, con muchos factores que contribuyen a una frecuente homogeneidad caucásica de los sujetos de los datos. Estos incluyen la composición de las minorías demográficas en las ciudades donde se realiza la investigación, y otros factores socioeconómicos que pueden influir en la medida en que los sujetos no blancos aparecen en los conjuntos de datos occidentales que los investigadores desearían que tuvieran una mayor aplicabilidad global.

En los países con una mayor proporción de sujetos de piel oscura, el equipo y los recursos necesarios para recopilar los datos a menudo son insuficientes.

Un mapa de tonos de piel para personas indígenas, del American Journal of Physical Anthropology.

Actualmente, los sujetos de piel oscura están notablemente subrepresentados en los conjuntos de datos de rPPG, representando el 0%, 5% y 10% del contenido de las tres bases de datos principales utilizadas para este propósito.

Datos Homogéneos Caucásicos

En 2019, una nueva investigación publicada en Ciencia encontró que un algoritmo ampliamente difundido en la atención médica en los hospitales de EE. UU. estaba fuertemente sesgado a favor de los sujetos caucásicos. El estudio encontró que las personas negras eran menos propensas a ser derivadas a cuidados especializados en triaje y niveles más profundos de admisión hospitalaria.

Más investigación en ese año de investigadores de Malasia y Australia estableció el problema general de ‘sesgo de raza propia’ para la generación de conjuntos de datos en muchas regiones del mundo, incluyendo Asia.

Limitaciones Potenciales De Escala Y Arquitectura

Algunas de las limitaciones que han llevado a conjuntos de datos de etnia limitada son pragmáticas en lugar de éticas. Cuanto más plural sea el conjunto de datos, mejor se generaliza a lo largo de los sujetos presentados en esos datos, pero menos probable es que el entrenamiento intuya patrones dentro de cualquier característica de los datos, incluyendo la raza, porque una menor proporción del tiempo de entrenamiento, la atención y los recursos están disponibles para cada subconjunto identificable de los datos.

Esto puede llevar a modelos que son ampliamente aplicables pero obtienen resultados menos específicos, debido a las limitaciones del tamaño de los datos, la economía del tamaño del lote y las limitaciones prácticas del espacio latente como función de los recursos de hardware limitados.

En el otro extremo, aunque se pueden obtener resultados efectivos y granulares al restringir los datos de entrada a un conjunto más limitado de características, incluyendo la etnia, los resultados probablemente estén ‘sobreajustados’ a los datos limitados y no sean ampliamente aplicables, quizás incluso a lo largo de sujetos no vistos en la misma área geográfica de la que se obtuvieron los sujetos del conjunto de datos original.

Avatares Sintéticos Para Simulación De PPG

El artículo de la UCLA también menciona un trabajo previo de Microsoft Research en 2020 sobre el uso de avatares sintéticos racialmente maleables, que aprovecha la síntesis de imágenes 3D para crear videos de caras ricos en información de PPG.

Avatares sintéticos creados por la investigación de Microsoft, con imágenes trazadas por rayos que contienen datos de PPG. Fuente: https://arxiv.org/pdf/2010.12949.pdf. Haz clic para ampliar.