A comparative analysis of eXplainable artificial intelligence methods for skin lesion classification [recurso eletrônico] = Uma análise comparativa de métodos de inteligência artificial explicáveis para classificação de lesões de pele
Rosa Yuliana Gabriela Paccotacya Yanque
DISSERTAÇÃO
Inglês
T/UNICAMP P114c
[Uma análise comparativa de métodos de inteligência artificial explicáveis para classificação de lesões de pele]
Campinas, SP : [s.n.], 2022.
1 recurso online (83 p.) : il., digital, arquivo PDF.
Orientador: Sandra Eliza Fontes de Avila
Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação
Resumo: Deep Learning tem mostrado excelentes resultados em tarefas de visão computacional, e a área de saúde não é exceção. Deep Learning pode auxiliar os dermatologistas no diagnóstico precoce de câncer de pele, o que pode salvar muitas vidas. No entanto, não há uma maneira direta de mapear o...
Ver mais
Resumo: Deep Learning tem mostrado excelentes resultados em tarefas de visão computacional, e a área de saúde não é exceção. Deep Learning pode auxiliar os dermatologistas no diagnóstico precoce de câncer de pele, o que pode salvar muitas vidas. No entanto, não há uma maneira direta de mapear o processo de tomada de decisão dos modelos DL. Para previsões de câncer de pele, não basta ter uma boa precisão; é necessário entender o comportamento do modelo para implementá-lo clinicamente e obter previsões confiáveis. Neste trabalho, propomos desideratos para explicações em modelos de lesões de pele e apresentamos um estudo sobre como a eXplainable Artificial Intelligence está sendo usada atualmente para lesões de pele. Analisamos sete métodos (quatro baseados em atribuição de pixels e três baseados em conceitos de alto nível): Grad-CAM, Score-CAM, LIME, SHAP, ACE, ICE, CME para duas redes neurais profundas, Inception-v4 e ResNet-50, treinadas no International Skin Imaging Collaboration Archive (ISIC). Nossos resultados indicam que, embora essas técnicas mostrem efetivamente o que o modelo está procurando para fazer sua previsão, as explicações obtidas não são completas o suficiente para obter transparência nos modelos de lesão de pele
Ver menos
Abstract: Deep Learning has shown outstanding results in computer vision tasks, and healthcare is no exception. Deep Learning (DL) can assist dermatologists in early skin cancer diagnosis, saving many lives. However, there is no straightforward way to map out the decision-making process of DL...
Ver mais
Abstract: Deep Learning has shown outstanding results in computer vision tasks, and healthcare is no exception. Deep Learning (DL) can assist dermatologists in early skin cancer diagnosis, saving many lives. However, there is no straightforward way to map out the decision-making process of DL models. For skin cancer predictions, it is not enough to have good accuracy. Understanding the model's behavior is needed to implement it clinically and get reliable predictions. We propose desiderata for explanations in skin-lesion models and present a study about how eXplainable Artificial Intelligence (XAI) is currently used for skin lesions. We analyzed seven methods (four based on pixel-attribution and three high-level concepts): Grad-CAM, Score-CAM, LIME, SHAP, ACE, ICE, CME for two deep neural networks, Inception-v4 and ResNet-50, trained on the International Skin Imaging Collaboration Archive (ISIC). Our findings indicate that while these techniques effectively show what the model is looking at to make its prediction, the obtained explanations are not complete enough to get transparency into the skin-lesion models
Ver menos
Requisitos do sistema: Software para leitura de arquivo em PDF
A comparative analysis of eXplainable artificial intelligence methods for skin lesion classification [recurso eletrônico] = Uma análise comparativa de métodos de inteligência artificial explicáveis para classificação de lesões de pele
Rosa Yuliana Gabriela Paccotacya Yanque
A comparative analysis of eXplainable artificial intelligence methods for skin lesion classification [recurso eletrônico] = Uma análise comparativa de métodos de inteligência artificial explicáveis para classificação de lesões de pele
Rosa Yuliana Gabriela Paccotacya Yanque