Un esquema basado en el aprendizaje profundo y la inteligencia artificial explicable para la detección del cáncer de...

Área de la Ciencia:

• Imágenes y diagnósticos médicos
• Inteligencia artificial en el cuidado de la salud
• Aprendizaje automático para la detección de enfermedades

Sus antecedentes:

• La Inteligencia Artificial (IA) ofrece un potencial transformador en el cuidado de la salud, pero su naturaleza de "caja negra" dificulta la confianza y la adopción.
• Los modelos de aprendizaje profundo muestran un alto rendimiento, pero a menudo carecen de transparencia en sus procesos de toma de decisiones.
• El escepticismo con respecto a la interpretabilidad de la IA limita su aplicación práctica en entornos clínicos.

Objetivo del estudio:

• Para introducir DXAIB, un nuevo esquema híbrido de IA para la detección precisa del cáncer de mama.
• Abordar el reto crítico de la interpretabilidad de la IA en el diagnóstico médico.
• Mejorar la transparencia y generar confianza en la toma de decisiones médicas impulsadas por la IA.

Principales métodos:

• Una metodología híbrida que integra las redes neuronales convolucionales (CNN) para el aprendizaje de características y el bosque aleatorio (RF) para la clasificación.
• Implementación del esquema DXAIB con capas convolucionales para la extracción automatizada de características.
• Utilización de las explicaciones aditivas de SHapley (SHAP) para la interpretabilidad local y global de las predicciones de IA.

Principales resultados:

• El sistema DXAIB obtuvo resultados de predicción superiores en comparación con los métodos de última generación existentes.
• Se ha demostrado la eficacia de la detección del cáncer de mama mediante el enfoque híbrido CNN-RF.
• Proporcionó explicaciones completas y específicas de los niveles para las predicciones de diagnóstico basadas en IA utilizando SHAP.

Conclusiones:

• DXAIB ofrece una solución prometedora para la detección precisa e interpretable del cáncer de mama.
• La integración de SHAP mejora significativamente la transparencia y la confiabilidad de la IA en el diagnóstico médico.
• DXAIB representa un avance significativo en la IA explicable (XAI) para aplicaciones de atención médica.