Alborapen eta zuzentasunaren ebaluazioa irudi-medikuen algoritmoetan

Algoritmo prediktiboek arriskua dute sarrera-eredu jakin batzuen aurrean modu sesgatuan jokatzea, eta, ondorioz, haien gainean hartzen diren erabakiak ez izatea bidezkoak. Jokabide desegokio horiek saihesteko, beharrezkoa da ereduen diseinu eta estimazio faseetan arreta berezia jartzea sor daitezkeen alborapen-arriskuak identifikatzeko. Osasun-ingurunean, alborapen horiek populazio ahulenengan eragin dezakete, jasotzen duten arreta are gehiago desorekatu eta desberdintasuna handituz.
AZEIA proiektuak metodologia desberdinen azterketa planteatzen du, sistema adimendunetan sortzen diren sesgoak identifikatzeko eta zuzentzeko, irudi medikoaren arloan aplikatzeko. Horretarako, plataforma bat garatuko da, ereduen sorkuntzan ager daitezkeen sesgo-arriskuak aztertu ahal izango dituena. Plataformak, gainera, entrenamendu prozesuan detektatutako arriskuak zuzendu ahal izatea eta azken ereduen bidezko-ebaluazioa egitea ahalbidetuko du.
Garatutako sistemaren baliozkotzea bi eszenariotako demostraren bidez egingo da: alde batetik, mamografien bidezko bularreko minbiziaren cribadoan, eta bestetik, anatomia patologikoko laginetan lesio mamarioen diagnostikoan.