Programa del congreso
Resúmenes y datos de las sesiones para este congreso. Seleccione una fecha o ubicación para mostrar solo las sesiones en ese día o ubicación. Seleccione una sola sesión para obtener una vista detallada (con resúmenes y descargas, si están disponibles).
|
Resumen diario |
| Sesión | |
|
Mi-S2.2-ApAu: Aprendizaje automático y modelos predictivos Lugar: Aula 0.01 Presidente de la sesión: Juan Pablo Martínez Cortés Presidente de la sesión: Jesús Lázaro Plaza | |
    | |
16:00 - 16:15
Evaluación del sesgo clínico en modelos de clasificación de lesiones cutáneas Departamento de Teoría de la Señal y Comunicaciones y Sistemas Telemáticos y Computación, Universidad Rey Juan Carlos El uso de bases públicas de imágenes de lesiones cutáneas ha impulsado avances en el desarrollo de modelos de clasificación automática. No obstante, muchos presentan dificultades para generalizar a datos distintos de los empleados en el entrenamiento, lo que limita su aplicabilidad en contextos clínicos, caracterizados por la gran variabilidad entre pacientes. En este contexto, ha surgido interés por evaluar el comportamiento de los modelos ante datos fuera de distribución (out-of-distribution, OOD). Este estudio analiza la robustez de la arquitectura DenseNet en la clasificación de lesiones cutáneas. Los modelos se entrenan con conjuntos de datos públicos considerados en distribución (in-distribution, ID) y se evalúan posteriormente en una cohorte pública independiente OOD. Se exploran diversas configuraciones de entrenamiento y se examinan variaciones en variables clínicas, como la edad, el sexo y la localización anatómica de la lesión. Los resultados evidencian caídas significativas en el rendimiento, medido en F1-score, sensibilidad y área bajo la curva ROC (AUROC), en determinados subgrupos, especialmente en aquellos con distribuciones marcadamente distintas en edad y localización. Estos hallazgos revelan la importancia de contar con bases de datos más amplias, diversas y representativas que permitan desarrollar modelos verdaderamente generalizables en entornos clínicos reales.
| |