Fase 5: Disponibilización del dataset

Fase 5: Disponibilización del dataset

Una vez que el dataset ha sido construido y validado, el siguiente paso es su disponibilización para su uso en el entrenamiento y evaluación de modelos de Machine Learning (ML). La Fase 5 se centra en cómo poner a disposición el dataset de manera eficiente y segura, asegurando que incluya todos los metadatos necesarios que describen el proceso de anotación y las características del dataset.

En esta etapa, resulta fundamental alinear el proceso de publicación con los principios FAIR (Findable, Accessible, Interoperable, Reusable), los cuales constituyen el estándar internacional para la gestión y compartición responsable de datos científicos (Wilkinson et al., 2016).
Estos principios establecen que los datos deben ser fácilmente localizables (Findable) mediante identificadores persistentes y metadatos descriptivos; accesibles (Accessible) a través de protocolos abiertos y claros; interoperables (Interoperable) mediante el uso de formatos y vocabularios estandarizados; y reutilizables (Reusable) gracias a licencias explícitas y documentación completa que garantice su correcta interpretación y aplicación futura.

A continuación, se detallan los componentes clave de esta fase:

Preparación del dataset para la distribución

Antes de disponibilizar el dataset, es necesario asegurarse de que esté adecuadamente preparado para su uso por otros investigadores, desarrolladores o entidades interesadas.

Estructuración del dataset

Estructurar el dataset de manera lógica y coherente, facilitando su comprensión y uso. Esto incluye la organización en carpetas y subcarpetas según el tipo de datos (e.g., imágenes, textos) y las tareas de anotación realizadas.

El cumplimiento del principio de interoperabilidad requiere que esta estructura siga convenciones claras y estándares reconocidos en el área de aplicación (por ejemplo, BIDS en neuroimagen o DICOM en imágenes médicas).

Uso de formatos de archivo estándar

Utilizar formatos de archivo ampliamente aceptados que faciliten la interoperabilidad y el procesamiento automatizado. Algunos formatos comunes incluyen:

• CSV: Para datos tabulares y anotaciones estructuradas.
• JSON: Para datos semi-estructurados y anotaciones complejas.
• Parquet: Para almacenamiento eficiente de grandes volúmenes de datos.
• Imagenes Médicas: Formatos como DICOM para imágenes médicas estandarizadas.

Inclusión de metadatos

La inclusión de metadatos resulta esencial para proporcionar información contextual sobre el conjunto de datos, incluyendo detalles acerca del proceso de anotación, las fuentes de los datos y las características de las unidades de observación. Asimismo, se recomienda incluir información básica sobre el dataset, como su propósito, el dominio de aplicación y una descripción general de los datos contenidos.

Para favorecer la encontrabilidad (Findability) y la reutilización (Reusability), se recomienda el uso de esquemas de metadatos estandarizados, como Dublin Core o el DataCite Metadata Schema, que permiten describir los datos de forma consistente y facilitar su integración en repositorios digitales. Además, puede incorporarse una ficha técnica o “Datasheet for Datasets” (Gebru et al., 2021) que documente exhaustivamente el contexto, las decisiones metodológicas, las limitaciones y los posibles sesgos del dataset.

Es aconsejable adjuntar una copia del manual de anotación, el cual debe detallar los conceptos anotados, los procedimientos implementados y los ejemplos empleados durante el proceso, así como el historial de definiciones y cambios realizados, y la forma en que estos afectan el contenido final. 

Además, es importante incorporar las métricas de calidad obtenidas durante la fase de monitoreo, tales como el coeficiente Kappa, las tasas de error y los resultados de las revisiones por parte de expertos. Esto proporciona transparencia y confiabilidad respecto al proceso de creación y validación del conjunto de datos.

Licenciamiento y aspectos éticos

Definir con claridad las condiciones de uso del dataset es esencial para proteger los derechos de los participantes y garantizar un empleo ético de los datos. En el ámbito del licenciamiento, pueden adoptarse licencias abiertas que fomenten la libre distribución y modificación del dataset, siempre que se cumplan condiciones de atribución y se otorgue el crédito correspondiente; por ejemplo, la licencia Creative Commons Attribution 4.0 International (CC BY 4.0). Sin embargo, en casos de datos sensibles o que requieran mayor protección, es preferible recurrir a licencias restrictivas que limiten la redistribución y permitan el acceso solo a usuarios autorizados o bajo acuerdos específicos (por ejemplo, una licencia personalizada para instituciones académicas o de investigación).

En cuanto al uso ético del dataset, resulta imprescindible contar con el consentimiento informado de los participantes y aplicar técnicas de anonimización que salvaguarden su privacidad antes de hacer públicos los datos. También es aconsejable incluir advertencias sobre el uso responsable del dataset, con énfasis en la protección de la privacidad y la observancia de principios éticos en cualquier aplicación que se realice. Si estos pasos no se realizaron previamente, debería existir un punto de control antes de su distribución.

Mensajes clave de esta fase

1. Preparación del dataset: Asegurar que el dataset esté bien estructurado, documentado y en formatos estándar facilita su uso y reutilización.
2. Inclusión de metadatos: Proveer metadatos detallados sobre el proceso de anotación y las características del dataset mejora la transparencia y la reproducibilidad.
3. Principios FAIR: Adoptar los principios de Findability, Accessibility, Interoperability y Reusability garantiza que los datos sean fácilmente localizables, comprensibles, accesibles y sostenibles en el tiempo.
4. Licenciamiento Claro: Definir y aplicar licencias de uso adecuadas asegura el uso ético y legal del dataset.
5. Documentación exhaustiva: Proveer documentación completa y accesible facilita el entendimiento y la utilización del dataset por parte de otros usuarios.

Clave

Importancia de la disponibilización del dataset

La disponibilización adecuada del dataset es fundamental para maximizar su utilidad y fomentar la colaboración en la comunidad de investigación y desarrollo de ML en salud. Incluir metadatos detallados sobre el proceso de anotación, se asegura que otros investigadores puedan comprender y replicar los métodos utilizados.