Tipus de document
Treball de fi de grauData de publicació
Llicència de publicació
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/232059
Towards Fair and Inclusive Skin Lesion Classification Systems
Títol de la revista
Autors
Director/Tutor
Contribució addicional
ISSN de la revista
Títol del volum
Resum
[eng] Fairness in skin lesion classification remains a critical challenge because dermatological datasets are often imbalanced across diagnostic categories and patient attributes such as skin tone, age, and sex. This thesis addresses this issue by evaluating how different intervention points in the training pipeline affect fairness and performance trade-off. Using MILK10k, a multimodal dataset with paired clinical and dermoscopic images, the study compares model configurations and training strategies under a common fairnessaware framework, including data augmentation, loss reweighting, and self-supervised learning. The results show that class imbalance and demographic fairness are related but not equivalent problems, and that representation-level pretraining provides the most promising improvements among the evaluated strategies. Overall, this work contributes to the development of fairer and more inclusive dermatological AI systems by showing the importance of evaluating not only how well a model performs, but also for whom it performs reliably.
[spa] El fairness en clasificación de lesiones cutáneas sigue siendo un reto importante, ya que los conjuntos de datos dermatológicos suelen estar desbalanceados tanto en categorías diagnósticas como en atributos de los pacientes, como el tono de piel, la edad y el sexo. Este trabajo aborda este problema evaluando cómo distintos puntos de intervención del proceso de entrenamiento afectan al trade-off entre rendimiento predictivo y fairness. Utilizando MILK10k, un conjunto de datos multimodal con imágenes clínicas y dermoscópicas emparejadas, el estudio compara configuraciones de modelos y estrategias de entrenamiento bajo un marco común orientado a fairness, incluyendo data augmentation, reponderación de la función de pérdida, y aprendizaje auto-supervisado multimodal. Los resultados muestran que el desbalance entre clases y el fairness demográfico son problemas relacionados, pero no equivalentes, y que el preentrenamiento a nivel de representación ofrece las mejoras más prometedoras entre las estrategias evaluadas. En conjunto, este trabajo contribuye al desarrollo de sistemas de IA dermatológica más justos e inclusivos, mostrando la importancia de evaluar no solo cómo de bien funciona un modelo, sino también para qué grupos lo hace de forma fiable.
[cat] El fairness en classificació de lesions cutànies continua sent un repte important, ja que els conjunts de dades dermatològiques solen estar desbalancejats tant en categories diagnòstiques com en atributs dels pacients, com el to de pell, l’edat i el sexe. Aquest treball aborda aquest problema avaluant com diferents punts d’intervenció del procés d’entrenament afecten el trade-off entre rendiment predictiu i fairness. Utilitzant MILK10k, un conjunt de dades multimodal amb imatges clíniques i dermatoscòpiques aparellades, l’estudi compara configuracions de models i estratègies d’entrenament sota un marc comú orientat a fairness, incloent data augmentation, reponderació de la funció de pèrdua, i aprenentatge auto-supervisat multimodal. Els resultats mostren que el desbalanceig entre classes i la fairness demogràfica són problemes relacionats, però no equivalents, i que el preentrenament a nivell de representació ofereix les millores més prometedores entre les estratègies avaluades. En conjunt, aquest treball contribueix al desenvolupament de sistemes d’IA dermatològica més justos i inclusius, mostrant la importància d’avaluar no només com de bé funciona un model, sinó també per a quins grups ho fa de manera fiable.
Descripció
Treballs Finals de Grau d'Enginyeria Informàtica, Facultat de Matemàtiques, Universitat de Barcelona, Any: 2026, Director: Julio Cezar Silveira Jacques-Junior
Recurs relacionat
Matèries (anglès)
Citació
Citació
MADRID LEON, David. Towards Fair and Inclusive Skin Lesion Classification Systems. [consulted: 20 of October of 2026]. Available at: https://hdl.handle.net/2445/232059