Son beş yılda, bilimsel topluluk, etnik köken/ırkın insanlar arasındaki biyolojik farklılıkları doğru bir şekilde yansıtmadığını giderek daha fazla fark etti. Küresel topluluk, değişken cilt pigmentasyonunun tıbbi cihazlar (örneğin nabız oksimetreleri, ölüm riskinin artmasına neden olan) ve standart yüz tanıma algoritmalarının (daha fazla pigmentli cilt tonuna sahip kişilerde düşük performansla sonuçlanan) gerçek dünya sonuçlarına sahip olduğunu kabul etmiştir. Bunun, belirli bireyleri tanımayabilecek kendi kendini süren otomobiller gibi teknolojilerde sanat, fotoğraf ve doğal önyargı için etkileri vardır. Bu tür algoritmik performans eşitsizlikleri, ölçülmesi ve geliştirilmesi zor olan temsili olmayan eğitim veri kümelerinden kaynaklanmaktadır.
Oftalmolojide, retina görüntülerinin benzer bildirilen etnik/ırk geçmişlerine, cilt tonlarına veya saç renklerine sahip insanlar arasında bile çok çeşitli pigmentasyon sergilediğini gözlemledik (Şekil 1). Yine de, Fitzpatrick cilt tipi veya keşiş cilt tonu ölçeği gibi sistemleri kullanan dermatolojideki meslektaşlarımızın aksine, cilt pigmentasyonunu objektif olarak sınıflandırmak için yöntemler olarak, göz doktoru bu değişkenliği ölçmek için araçlardan yoksundu. Bunun yerine, genellikle etnik köken/ırkı biyolojik farklılıklar için bir vekil olarak kullanırız. Örneğin, yapay zeka (AI) modelini test ederken, farklı etnik/ırk gruplarında test edildiğinde model performansını değerlendiriyoruz. Bu yaklaşım sorunludur. Etnik köken/ırk, bir bireyin etnik/ırk kimliği nedeniyle toplumda yaşayabileceği avantajları veya dezavantajları tahmin edebilse de, etnik köken/ırk kısmen sosyal bir yapıdır ve gerçek hayatta görülen özelliklerin sürekli spektrumunu yakalayamaz. Ek olarak, bu bilgiler, sağlık ortamı, yasal çerçeve ve açık erişim verilerine yaklaşımla ilgili çeşitli nedenlerle retina görüntülerinin veri kümelerinde nadiren veya eksik bir şekilde rapor edilmiştir. Bu boşluğu tanıyarak, standartlaştırılmış, objektif bir önlem yaratmaya başladık: bir insan etiketleme adımına (başka bir potansiyel insan yanlılığı kaynağı) başvurmadan doğrudan retina görüntüsünden türetilen retina pigment skoru (RPS).
Şekil 1. Pigmentasyonun arka plan derecesinde belirgin farklılıklar gösteren farklı insanlardan retina görüntüleri.
Bu ölçüm araçlarının eksikliği, özellikle retina görüntüleme kullanarak AI araştırmalarına baskı yapıyor. Yetersiz temsil edilen gruplar genellikle küratörlü veri kümelerinden dışlanmıştır ve AI modellerinin adil bakım sağlama yeteneğini sınırlar. Bu eşitsizliği ele almak projemizin temel amacı haline geldi. RPS, retina görüntülerinin daha doğru açıklamalarını ve hasta fenotiplerine daha derin bilgileri sağlayan sürekli bir retina pigmentasyonu ölçüsü sunar.
Görevimiz zorlayıcıydı. Gelişmiş bilgisayar algoritmalarını kullanarak, retina görüntülerinden arka plan retina pigmentasyonunu çıkarmak için bir yöntem geliştirdik. Bu algoritma, kötü kaliteli görüntüleri tanımlamak ve hariç tutmak, ilgili bölgelere odaklanmak için derin öğrenme modelleri kullanır ve daha sonra ortalama bir pigmentasyon değerini hesaplar ve bu da tek bir sürekli metriğe neden olur: RPS.
Eldeki RPS ile, RPS'nin demografik değişkenler ve genetik çalışmalarla ilişkileri son derece ilginç sonuçlar gösterdi. RPS ile saç, cilt ve göz rengi gibi özellikler arasındaki bağlantıları ortaya çıkardık. Daha da heyecan verici bir şekilde, retinanın kendisinde pigmentasyon hakkındaki sırların kilidini açabilecek üç yeni genetik bölge belirledik. Bu bulgular sadece RPS'yi biyolojik olarak doğrulamakla kalmadı, aynı zamanda yeni keşifleri yönlendirme gücünü de vurguladı.
Belki de en çarpıcı bir şekilde, RP'ler etnik köken/ırkla ilgili varsayımlara da meydan okudu. Farklı etnik/ırk gruplarında pigmentasyon skorlarında önemli bir örtüşme bulduk, klinik araştırmalarda bir öngörücü olarak etnik köken/ırkı kullanmanın veya etnik köken/ırkı tahmin etmek için RPS kullanmanın sınırlamalarını güçlendirdik. RPS, retina görüntülerinin nasıl tanımlandığını ve incelendiğini dönüştürebilecek objektif, sürekli bir önlem sağlar.
Bu projenin arkasında, adil, hasta merkezli bakıma ortak bir taahhütle birleşen dört ülkeden çok disiplinli bir ekip vardı. Yöntemlerimiz şeffaftır ve kodumuz GitHub'da serbestçe kullanılabilir ve başkalarını çalışmamızı kullanmaya ve geliştirmeye davet eder. RPS, sadece oftalmoloji için değil, aynı zamanda birinci basamak bakım, kardiyoloji ve nöroloji gibi retina görüntüleme kullanan tüm alanlarda adil AI araçlarına ulaşmak için önemli bir ilk adımdır. RPS'yi tahmin modellerine dahil etmek ve retina araştırmalarına dahil etmek için uluslararası araştırmacılar ve klinisyenlerle işbirliği yapmayı dört gözle bekliyoruz.
Bir yanıt yazın