JavaScript is disabled for your browser. Some features of this site may not work without it.

    Listar

    Todo RIUMAComunidades & ColeccionesPor fecha de publicaciónAutoresTítulosMateriasTipo de publicaciónCentrosEsta colecciónPor fecha de publicaciónAutoresTítulosMateriasTipo de publicaciónCentros

    Mi cuenta

    AccederRegistro

    Estadísticas

    Ver Estadísticas de uso

    DE INTERÉS

    Datos de investigaciónReglamento de ciencia abierta de la UMAPolítica de RIUMAPolitica de datos de investigación en RIUMASHERPA/RoMEODulcinea
    Preguntas frecuentesManual de usoDerechos de autorContacto/Sugerencias
    Ver ítem 
    •   RIUMA Principal
    • Investigación
    • Lenguajes y Ciencias de la Computación - (LCC)
    • LCC - Contribuciones a congresos científicos
    • Ver ítem
    •   RIUMA Principal
    • Investigación
    • Lenguajes y Ciencias de la Computación - (LCC)
    • LCC - Contribuciones a congresos científicos
    • Ver ítem

    On the Use of Explainable Artificial Intelligence for the Differential Diagnosis of Pigmented Skin Lesions

    • Autor
      Nematzadeh, Hossein; Navas-Delgado, IsmaelAutoridad Universidad de Málaga; Berciano-Guerrero, Miguel Ángel; García-Nieto, José ManuelAutoridad Universidad de Málaga; Hurtado-Requena, Sandro JoséAutoridad Universidad de Málaga; García-Nieto, José ManuelAutoridad Universidad de Málaga; Nematzadeh, Hossein
    • Fecha
      2022-06-08
    • Editorial/Editor
      Springer
    • Palabras clave
      Diagnóstico por imagen - Congresos; Melanoma - Congresos; Inteligencia artificial - Aplicaciones médicas - Congresos
    • Resumen
      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.
    • URI
      https://hdl.handle.net/10630/24685
    • Compartir
      RefworksMendeley
    Mostrar el registro completo del ítem
    Ficheros
    paper_108.pdf (849.2Kb)
    Colecciones
    • LCC - Contribuciones a congresos científicos

    Estadísticas

    Ver Estadísticas de uso
    Buscar en Dimension
    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA
    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA
     

     

    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA
    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA