Data Sintetis: Mengubah Ras pada Gambar Wajah untuk Mengatasi Bias pada Dataset Medis

Peneliti UCLA telah mengembangkan metode untuk mengubah ras yang tampak pada wajah dalam dataset yang digunakan untuk melatih sistem pembelajaran mesin medis, dalam upaya untuk mengatasi bias rasial yang banyak diderita oleh dataset umum.

Teknik baru ini mampu menghasilkan video sintetis yang fotorealistik dan akurat secara fisiologis dengan rata-rata 0,005 detik per frame, dan diharapkan dapat membantu pengembangan sistem diagnostik baru untuk diagnosis dan pemantauan kesehatan jarak jauh – bidang yang telah berkembang pesat di bawah pembatasan COVID. Sistem ini dimaksudkan untuk meningkatkan kemampuan fotopletismografi jarak jauh (rPPG), teknik visi komputer yang mengevaluasi konten video wajah untuk mendeteksi perubahan volumetrik dalam suplai darah secara non-invasif.

Sumber: https://arxiv.org/pdf/2106.06007.pdf. Klik untuk memperbesar.

Meskipun pekerjaan ini, yang menggunakan jaringan saraf konvolusional (CNN), menggabungkan kode penelitian sebelumnya yang diterbitkan oleh Universitas Durham di Inggris pada tahun 2020, aplikasi baru ini dimaksudkan untuk melestarikan sinyal pulsasi dalam data uji asli, bukan hanya mengubah ras yang tampak pada data, seperti yang dilakukan oleh penelitian pada tahun 2020.

CNN untuk Transformasi Rasial

Bagian pertama dari sistem encoder-decoder menggunakan model transfer ras Durham, yang telah dilatih sebelumnya pada VGGFace2, untuk menghasilkan bingkai target proxy dengan komponen Afrika-Kaukasus dari penelitian Durham. Ini menghasilkan transfer rasial yang datar, tetapi tidak mengandung variasi warna dan nada yang mewakili indikator fisiologis visual keadaan aliran darah pasien.

Pipeline transformasi dari penelitian tahun 2020 oleh Universitas Durham, sebagian yang digabungkan ke dalam penelitian UCLA baru. Sumber: https://arxiv.org/pdf/2004.08945.pdf. Klik untuk memperbesar.

Jaringan kedua, yang disebut PhysResNet (PRN), menyediakan komponen rPPG. PhysResNet dilatih untuk mempelajari baik penampilan visual dan juga variasi warna yang mendefinisikan gerakan volume darah subkutan.

Bawah kiri, hasil yang diperoleh dari penelitian Durham tahun 2020, yang tidak memiliki informasi PPG. Tengah kiri, informasi PPG yang digabungkan ke dalam transformasi rasial. Klik untuk memperbesar.

Arsitektur yang diusulkan oleh proyek UCLA ini outperforms teknik rPPG lainnya bahkan tanpa augmentasi warna kulit, yang mewakili perbaikan sebesar 31% pada teknik serupa yang dioptimalkan dengan MAE dan RMSE.

Jaringan UCLA berhasil melestarikan informasi volume dan distribusi darah. Klik untuk memperbesar.

Peneliti UCLA berharap bahwa pekerjaan masa depan akan mengambil tantangan yang lebih luas untuk mengatasi bias rasial dalam sektor pengambilan gambar medis ini, dan berharap juga bahwa skema yang lebih lanjut akan menghasilkan video dengan resolusi yang lebih tinggi, karena sistem yang bersangkutan terbatas pada resolusi 80×80 piksel – yang cukup baik untuk keterbatasan telehealth, tetapi tidak ideal.

Kekurangan Dataset yang Diverse secara Etnis

Kondisi ekonomi dan praktis yang menyebabkan dataset yang diverse secara etnis telah menjadi hambatan bagi penelitian medis selama beberapa tahun. Data cenderung dihasilkan secara lokal, dengan banyak faktor yang menyebabkan homogenitas data subjek yang sering bersifat Kaukasus-sentris. Ini termasuk komposisi demografi minoritas di kota-kota tempat penelitian dilakukan, dan faktor sosio-ekonomi lain yang dapat mempengaruhi seberapa banyak subjek non-putih muncul dalam dataset Barat yang peneliti inginkan memiliki aplikasi global.

Di negara-negara dengan proporsi subjek berkulit gelap yang lebih tinggi, peralatan dan sumber daya yang diperlukan untuk mengumpulkan data seringkali tidak tersedia.

Peta warna kulit dunia untuk penduduk asli, dari American Journal of Physical Anthropology.

Saat ini, subjek berkulit gelap secara signifikan underrepresented dalam dataset rPPG, mewakili 0%, 5%, dan 10% dari konten tiga database utama yang umum digunakan untuk tujuan ini.

Data Kaukasus Homogen

Pada tahun 2019, penelitian baru diterbitkan di Science menemukan bahwa algoritma yang banyak digunakan dalam perawatan rumah sakit AS sangat bias terhadap subjek Kaukasus. Studi ini menemukan bahwa orang kulit hitam kurang mungkin dirujuk ke perawatan khusus dalam triase dan tingkat yang lebih dalam dari penerimaan rumah sakit.

Penelitian lebih lanjut pada tahun yang sama oleh peneliti dari Malaysia dan Australia menetapkan masalah umum ‘Own Race Bias’ untuk generasi dataset di banyak wilayah dunia, termasuk Asia.

Batasan Potensial dari Skala dan Arsitektur

Beberapa batasan yang telah menyebabkan dataset dengan etnis terbatas adalah pragmatis daripada etis. Semakin luas pluralitas data yang berkontribusi, semakin baik generalisasi di seluruh subjek yang ditampilkan dalam data tersebut, tetapi semakin sedikit waktu pelatihan, perhatian, dan sumber daya yang tersedia untuk setiap subset data yang dapat diidentifikasi, termasuk ras, karena persentase waktu pelatihan yang lebih kecil tersedia untuk setiap subset data.

Hal ini dapat menyebabkan model yang memiliki aplikasi yang luas tetapi mendapatkan hasil yang kurang spesifik, karena keterbatasan ukuran data, ekonomi batch size, dan keterbatasan ruang laten sebagai fungsi dari sumber daya perangkat keras yang terbatas.

Di sisi lain, meskipun hasil yang efektif dan granular dapat diperoleh dengan membatasi data input pada set karakteristik yang lebih terbatas, termasuk etnis, hasilnya kemungkinan akan ‘overfit’ ke data yang terbatas, dan tidak memiliki aplikasi yang luas, bahkan di seluruh subjek yang tidak terlihat di area geografis yang sama dari mana subjek dataset asli diperoleh.

Avatar Sintetis untuk Simulasi PPG

Makalah UCLA juga mencatat pekerjaan sebelumnya dari Microsoft Research pada tahun 2020 tentang penggunaan avatar sintetis yang dapat diubah rasnya, yang menggunakan sintesis gambar 3D untuk membuat video wajah yang kaya akan informasi PPG.

Avatar sintetis yang dibuat oleh penelitian Microsoft, dengan gambar yang di-trace yang mengandung data PPG. Sumber: https://arxiv.org/pdf/2010.12949.pdf. Klik untuk memperbesar.