Nuevo estudio de CAMELIA analiza la explicabilidad en modelos de IA para la detección temprana de NASH
La esteatohepatitis no alcohólica (hashtag#NASH) es una enfermedad frecuente que puede evolucionar hacia estadios avanzados de enfermedad hepática, cirrosis o carcinoma hepatocelular. La predicción temprana de la NASH permite diseñar estrategias adecuadas de prevención, diagnóstico precoz y tratamiento.
Este estudio llevado a cabo por Nikolay Babakov, Elena Rezgova, Ehud Reiter y Alberto J. Bugarín Diz, aborda el reto de la explicabilidad en modelos basados en #MachineLearning (ML) entrenados por expertos médicos, centrados en la predicción temprana y no invasiva de la NASH.
Utilizando datos del National Institute of Diabetes and Digestive and Kidney Diseases (#NIDDK) de Estados Unidos, los autores comparan modelos transparentes (árboles de decisión) y no transparentes (random forest), y evalúan cómo el personal médico percibe las explicaciones generadas por sus predicciones.
Los resultados demuestran que la explicabilidad aumenta la confianza y la usabilidad de los modelos, acercando la inteligencia artificial a su plena integración en la práctica clínica.
Estudio completo disponible en este enlace.
Este estudio llevado a cabo por Nikolay Babakov, Elena Rezgova, Ehud Reiter y Alberto J. Bugarín Diz, aborda el reto de la explicabilidad en modelos basados en #MachineLearning (ML) entrenados por expertos médicos, centrados en la predicción temprana y no invasiva de la NASH.
Utilizando datos del National Institute of Diabetes and Digestive and Kidney Diseases (#NIDDK) de Estados Unidos, los autores comparan modelos transparentes (árboles de decisión) y no transparentes (random forest), y evalúan cómo el personal médico percibe las explicaciones generadas por sus predicciones.
Los resultados demuestran que la explicabilidad aumenta la confianza y la usabilidad de los modelos, acercando la inteligencia artificial a su plena integración en la práctica clínica.
Estudio completo disponible en este enlace.