Un grupo de académicos de la Universidad Ahsanullah en Bangladesh han presentado un innovador estudio sobre el uso de inteligencia artificial explicable para la detección del virus del mono humano mediante imágenes de lesiones cutáneas. Esta enfermedad zoonótica ha sido objeto de interés dado su complicado diagnóstico por compartir síntomas con otros virus como el sarampión y la varicela.

Los investigadores emplearon redes neuronales profundas y transformers de visión para analizar un conjunto de datos de imágenes públicas. Al enfrentar limitaciones de datos, utilizaron técnicas de transferencia de aprendizaje para mejorar el rendimiento de los modelos preentrenados. MobilNet-v2 se destacó con un 93.15% de precisión, superando a otros modelos como ViT B16 y ResNet-50 que alcanzaron 92.12% y 86.21% de precisión, respectivamente.

El estudio utilizó técnicas de AI explicable como LIME y Grad-CAM, para involucrar a los profesionales de la salud mediante la clarificación de cómo los modelos toman decisiones. Este esfuerzo ofrece un potencial significativo para mejorar los procesos diagnósticos, especialmente en regiones con recursos limitados donde el acceso a pruebas PCR es restringido.

La capacidad del método para diferenciar entre las diversas lesiones cutáneas, incluidas aquellas de enfermedades distintas, realza su utilidad diagnóstica. No obstante, se enfrenta a la necesidad de ampliar los conjuntos de datos para lograr un mayor nivel de generalización. Los investigadores destacan la importancia de seguir protocolos de la Organización Mundial de la Salud (OMS) para minimizar la transmisión del virus del mono.

Conclusiones sugieren que aunque la IA explicable y los modelos de aprendizaje profundo ofrecen un enfoque tangible y accesible para el diagnóstico temprano del mpox, la escasez de datos representa un obstáculo. Aún quedan desafíos por superar, como mejorar la diversidad de los conjuntos de datos y validar los modelos en aplicaciones del mundo real para asegurar una aplicación clínica efectiva.