El problema de la generalización de los algoritmos de aprendizaje profundo para el análisis de imagen médica: investigación utilizando imágenes radiográficas

Abstract

En la literatura se ha reportado que los algoritmos de Deep Learning (DL), traducido como aprendizaje profundo, sufren, con frecuencia, problemas de generalización cuando son implementados en entornos diferentes de aquellos donde han sido entrenados. A pesar de que esta cuestión ha sido ampliamente discutida en otros campos, son pocos los autores que han abordado la problemática en el área de la imagen médica. Teniendo en cuenta que generalizar hace referencia a la capacidad de mantener el rendimiento en cualquier entorno externo al lugar de entrenamiento, resolver el problema de la generalización es imprescindible si se desea lograr que los modelos de inteligencia artificial alcancen la práctica médica diaria. Las escasas investigaciones que han abordado esta problemática coinciden en que, al igual que ocurre en otras áreas de la inteligencia artificial, como el desarrollo de coches autónomos, la deficiencia de generalización que sufren los algoritmos de DL se produce debido a desemejanzas existentes entre los datos con los que se entrenan los algoritmos, y los datos sobre los que se desean utilizar los modelos. Estas disimilitudes parecen responder a diferencias, a menudo imperceptibles, en la distribución de ciertos atributos de los propios datos, dando lugar a lo que se ha denominado distribution shifts (DS).