Aprovechamiento de la Inteligencia Artificial para el Diagnóstico de la Alopecia Androgenética: Un Estudio de Entrenamiento y Validación.

Tenemos la intención de desarrollar y validar modelos de inteligencia artificial (IA) y aprendizaje automático (ML) en el diagnóstico de la pérdida de cabello de patrón masculino y femenino, y la evaluación de su gravedad basada en imágenes clínicas y tricoscópicas utilizando dermatoscopios portátiles ampliamente disponibles y accesibles.

El diagnóstico convencional de la alopecia androgenética (AGA) y la evaluación de su gravedad son tareas tediosas y que consumen mucho tiempo, propensas a errores humanos. Estos desafíos pueden abordarse utilizando inteligencia artificial (IA), específicamente aprovechando aplicaciones de aprendizaje automático y redes neuronales artificiales para mejorar la precisión diagnóstica de los sistemas de clasificación de enfermedades del cuero cabelludo mediante análisis de imágenes dermatoscópicas. La evaluación asistida por computadora de microfotografías capilares se intentó durante décadas, pero enfrentó muchos obstáculos técnicos antes del inicio del aprendizaje profundo y las redes neuronales; y el software disponible actualmente genera resultados inexactos en comparación con el conteo visual. Se necesitan métodos de análisis más precisos para la imagen tricoscópica, utilizando modelos de reconocimiento de imágenes de aprendizaje profundo entrenados con un gran conjunto de datos de imágenes. En los últimos años se han desarrollado varios modelos de aprendizaje profundo utilizando videodermoscopia que lograron una clasificación confiable de la densidad, el grosor y la gravedad del cabello, pero aún están limitados por pequeños conjuntos de datos de entrenamiento no inclusivos, la necesidad de afeitar el cabello y la falta de informes detallados. Además, según nuestro conocimiento, todos los modelos anteriores dependen de la adquisición de imágenes de costosos dispositivos de videodermoscopia independientes que carecen de disponibilidad generalizada, en lugar de dermatoscopios portátiles que están comúnmente disponibles.

El estudio incluirá a 400 participantes (200 controles sanos y 200 pacientes con AGA). Los controles se someterán a historial y exámenes tricoscópicos para excluir trastornos capilares. El examen tricoscópico se realizará utilizando un dermatoscopio portátil (CuTechs DS175) con un separador de campo especializado. Se evaluará la gravedad de la enfermedad en los pacientes utilizando escalas específicas por género. Ambos grupos tendrán imágenes digitales y tricoscópicas estandarizadas tomadas para su análisis. Las imágenes se utilizarán para contar y clasificar manualmente los cabellos, evaluar las unidades foliculares e identificar signos dermatoscópicos. Una base de datos estructurada almacenará todos los datos y vinculará los datos clínicos y de imágenes para apoyar el diagnóstico objetivo. Los modelos de IA, en particular las CNN que utilizan aprendizaje por transferencia, se entrenarán en imágenes preprocesadas para la clasificación y la puntuación de gravedad. El rendimiento del modelo se evaluará utilizando métricas como precisión, exactitud, exhaustividad, puntuación F1 y AUC-ROC en comparación con las métricas reportadas por tricólogos expertos para validar la exactitud y la fiabilidad.