Novo estudo de CAMELIA analiza a explicabilidade en modelos de IA para a detección temperá de NASH
A esteatohepatite non alcohólica (hashtag#NASH) é unha enfermidade frecuente que pode evolucionar cara a estadios avanzados de enfermidade hepática, cirrose ou carcinoma hepatocelular. A predición temperá da NASH permite deseñar estratexias adecuadas de prevención, diagnóstico precoz e tratamento.
Este estudo levado a cabo por Nikolay Babakov, Elena Rezgova, Ehud Reiter e Alberto J. Bugarín Diz, aborda o reto da explicabilidade en modelos baseados en #MachineLearning (ML) adestrados por expertos médicos, centrados na predición temperá e non invasiva da NASH.
Utilizando datos do National Institute of Diabetes and Digestive and Kidney Diseases (#NIDDK) dos Estados Unidos, os autores comparan modelos transparentes (árbores de decisión) e non transparentes (random forest), e avalían como o persoal médico percibe as explicacións xeradas polas súas predicións.
Os resultados demostran que a explicabilidade aumenta a confianza e a usabilidade dos modelos, achegando a intelixencia artificial á súa plena integración na práctica clínica.
Estudo completo dispoñible neste enlace.
Este estudo levado a cabo por Nikolay Babakov, Elena Rezgova, Ehud Reiter e Alberto J. Bugarín Diz, aborda o reto da explicabilidade en modelos baseados en #MachineLearning (ML) adestrados por expertos médicos, centrados na predición temperá e non invasiva da NASH.
Utilizando datos do National Institute of Diabetes and Digestive and Kidney Diseases (#NIDDK) dos Estados Unidos, os autores comparan modelos transparentes (árbores de decisión) e non transparentes (random forest), e avalían como o persoal médico percibe as explicacións xeradas polas súas predicións.
Os resultados demostran que a explicabilidade aumenta a confianza e a usabilidade dos modelos, achegando a intelixencia artificial á súa plena integración na práctica clínica.
Estudo completo dispoñible neste enlace.