En los últimos años, la Inteligencia Artificial Explicable (XAI)
ha atraído la atención en la analítica de datos, ya que muestra un gran potencial en la interpretación de los resultados de complejos modelos de aprendizaje automático en la
aplicación de problemas médicos. Se trata de que el resultado de las
aplicaciones basadas en el aprendizaje automático deben ser comprendidos por los usuarios finales,
especialmente en el contexto de los datos médicos, donde las decisiones deben tomarse cuidadosamente.
decisiones. Como tal, se han realizado muchos esfuerzos para explicar el resultado
de un modelo complejo de aprendizaje profundo en procesos de reconocimiento y clasificación de
y clasificación de imágenes, como en el caso del cáncer de melanoma. Este
representa un primer intento (hasta donde sabemos) de investigar experimental y técnicamente la explicabilidad de los métodos modernos de XAI
modernos de XAI: explicaciones de modelos de diagnóstico interpretables locales (LIME) y
Shapley Additive exPlanations (SHAP), en términos de reproducibilidad de
resultados y el tiempo de ejecución en un conjunto de datos de clasificación de imágenes de melanoma.
Este artículo muestra que los métodos XAI proporcionan ventajas en la interpretación de los resultados del modelo en la clasificación de imágenes de melanoma.
interpretación de los resultados del modelo en la clasificación de imágenes de melanoma. Concretamente, LIME se comporta mejor que el explicador de gradiente SHAP en términos de reproducibilidad
y tiempo de ejecución.
Buscar en Dimension