Sesgo, género y redes neuronales profundas: análisis del impacto del desbalance de género en la detección de patologías en imágenes médicas mediante redes neuronales profundas
Viernes 28/8, 12h
Seminario del Departamento
El Departamento de Matemáticas y Estadística de la Universidad Torcuato Di Tella invita al seminario sobre Sesgo, género y redes neuronales profundas: análisis del impacto del desbalance de género en la detección de patologías en imágenes médicas mediante redes neuronales profundas, a cargo de Victoria Peterson (Bioingeniera, UNER; Doctora en Ingeniería, UNL)
Abstract
En la actualidad, los algoritmos basados en inteligencia artificial (IA) para la clasificación de imágenes se encuentran presentes en nuestra vida cotidiana. Redes sociales, teléfonos móviles e incluso los equipos de captura de imágenes médicas ya incluyen este tipo de tecnologías para identificación de rostros o asistencia al diagnóstico de enfermedades. Recientemente se ha mostrado que dichos algoritmos pueden presentar un sesgo en su proceso de aprendizaje cuando las bases de datos utilizadas para su entrenamiento no son cuidadosamente diseñadas. El aprendizaje con datos desbalanceados (donde determinadas poblaciones se encuentran sub-representadas) suele resultar en un proceso de clasificación sesgado, con alta tasa de error de clasificación en grupos minoritarios. En particular, en este trabajo nos centraremos en el análisis del desbalance de género en bases de datos de imágenes médicas, donde un algoritmo de IA para detección automática de enfermedades es entrenado mayoritariamente con imágenes de pacientes de género masculino, pero evaluado en pacientes del género femenino, y viceversa.
Victoria Peterson es Bioingeniera (2013, UNER) y Doctora en Ingeniería (2018, UNL). Realizó su doctorado mediante beca Doctoral del CONICET en el Instituto de Señales Sistemas e Inteligencia Computacional (sinc(i)-UNL/CONICET, Santa Fe). Actualmente es becaria Postdoctoral del CONICET en el Instituto de Matemática Aplicada del Litoral (IMAL-UNL/CONICET, Santa Fe). Fue docente en la Facultad de Ingeniería de la UNER y profesora visitante en la Facultad de Ciencias Exactas y Naturales de la UBA. En 2017 y 2018 realizó estancias doctorales en el RELAB, ETH Zurich, Suiza. Actualmente, es colaboradora del Brain Modulation Lab (BML, MGH-Harvard, Boston, EEUU). Sus áreas de interés actuales son las interfaces cerebro-computadora para rehabilitación motora, estimulación cerebral profunda adaptativa y el sesgo en la inteligencia artificial.
Abstract
En la actualidad, los algoritmos basados en inteligencia artificial (IA) para la clasificación de imágenes se encuentran presentes en nuestra vida cotidiana. Redes sociales, teléfonos móviles e incluso los equipos de captura de imágenes médicas ya incluyen este tipo de tecnologías para identificación de rostros o asistencia al diagnóstico de enfermedades. Recientemente se ha mostrado que dichos algoritmos pueden presentar un sesgo en su proceso de aprendizaje cuando las bases de datos utilizadas para su entrenamiento no son cuidadosamente diseñadas. El aprendizaje con datos desbalanceados (donde determinadas poblaciones se encuentran sub-representadas) suele resultar en un proceso de clasificación sesgado, con alta tasa de error de clasificación en grupos minoritarios. En particular, en este trabajo nos centraremos en el análisis del desbalance de género en bases de datos de imágenes médicas, donde un algoritmo de IA para detección automática de enfermedades es entrenado mayoritariamente con imágenes de pacientes de género masculino, pero evaluado en pacientes del género femenino, y viceversa.
Victoria Peterson es Bioingeniera (2013, UNER) y Doctora en Ingeniería (2018, UNL). Realizó su doctorado mediante beca Doctoral del CONICET en el Instituto de Señales Sistemas e Inteligencia Computacional (sinc(i)-UNL/CONICET, Santa Fe). Actualmente es becaria Postdoctoral del CONICET en el Instituto de Matemática Aplicada del Litoral (IMAL-UNL/CONICET, Santa Fe). Fue docente en la Facultad de Ingeniería de la UNER y profesora visitante en la Facultad de Ciencias Exactas y Naturales de la UBA. En 2017 y 2018 realizó estancias doctorales en el RELAB, ETH Zurich, Suiza. Actualmente, es colaboradora del Brain Modulation Lab (BML, MGH-Harvard, Boston, EEUU). Sus áreas de interés actuales son las interfaces cerebro-computadora para rehabilitación motora, estimulación cerebral profunda adaptativa y el sesgo en la inteligencia artificial.