Inteligencia artificial explicable en la predicción de placas carótidas asintomáticas de alto riesgo basadas en...

Área de la Ciencia:

• La inteligencia artificial médica
• Inteligencia artificial explicable (IAI)
• Estenosis de las arterias carótidas

Sus antecedentes:

• Los modelos de Support Vector Machine (SVM) que utilizan la textura de la placa y las características clínicas mejoran la predicción del accidente cerebrovascular en la estenosis carotídea asintomática (ACS).
• Los modelos de IA de caja negra como SVM carecen de transparencia, lo que dificulta su adopción clínica.
• La IA explicable (XAI) ofrece un camino hacia la IA interpretable en aplicaciones médicas críticas.

Objetivo del estudio:

• Investigar la integración de técnicas XAI para mejorar la interpretabilidad en la evaluación del riesgo de accidente cerebrovascular.
• Evaluar si XAI puede mejorar la transparencia del modelo sin comprometer la precisión predictiva para ACS.

Principales métodos:

• Desarrollo de una metodología y un marco de aprendizaje explicativo basado en la argumentación (ArgEML).
• Aplicación de ArgEML para aprender teorías de argumentación explicables a partir de datos reales de pacientes con estenosis carotídea asintomática.
• Evaluación del rendimiento de ArgEML utilizando métricas estándar de aprendizaje automático y evaluación de la interpretabilidad a través de la transparencia del modelo y la calidad de la explicación.

Principales resultados:

• Los modelos ArgEML demostraron una alta precisión predictiva, comparable con los métodos tradicionales.
• Se lograron mejoras significativas en la interpretabilidad de la predicción utilizando ArgEML.
• Las predicciones indecisas se identificaron como dilemas, proporcionando información valiosa sobre las capacidades de predicción.

Conclusiones:

• ArgEML mejora efectivamente la interpretabilidad de la predicción del riesgo de accidente cerebrovascular a partir de datos médicos.
• Se mantuvo el rendimiento predictivo, demostrando la viabilidad de XAI en entornos clínicos.
• La transparencia proporcionada por ArgEML ayuda a refinar los modelos, guiar las decisiones clínicas y promover la adopción de la IA en la atención médica.