Inteligência Artificial Explicável (XAI) na área médica
Carregando...
Autores
Orientador
Vidal, Maciel Calebe
Co-orientadores
Citações na Scopus
Tipo de documento
Relatório de Iniciação Tecnológica
Data
2023
Título da Revista
ISSN da Revista
Título do Volume
Resumo
A Inteligência Artificial (IA), em seu avanço, permeia agora diversas facetas
de nossas vidas, desde assistentes por voz a anúncios personalizados. Contudo,
enquanto a IA exibe potencial em múltiplos domínios. A opacidade de muitos de
seus modelos, particularmente aqueles classificados como "caixa preta", ressalta
uma preocupação crescente com a interpretabilidade. A capacidade de decifrar e
justificar as previsões e decisões de um modelo é fundamental, especialmente em
aplicações vitais como a medicina, onde cada decisão pode repercutir diretamente
na vida dos pacientes.
Neste relatório, ao mergulhar na interface entre modelos de machine learning
e sua relevância clínica, constatamos a necessidade premente de equilibrar
eficiência preditiva e transparência. Os resultados indicam uma dualidade: enquanto
modelos mais complexos demonstraram superioridade em acurácia, sua
interpretabilidade frequentemente decaía. Para aprofundar a compreensão dos
atributos determinantes nas previsões, empregamos a análise SHAP, uma
ferramenta de destaque no domínio do machine learning. Os insights obtidos com
esta análise tornaram-se cruciais para validar e contextualizar as previsões no
cenário clínico.
Em conclusão, à medida que a IA continua a moldar a medicina, a busca por
modelos de alta performance que mantenham a transparência se torna essencial. As
descobertas do estudo sublinham a necessidade emergente de métricas robustas de
interpretabilidade, garantindo que os modelos adotados sejam não só precisos, mas
também intuitivos e compreensíveis para a comunidade médica.
Palavras-chave
Titulo de periódico
URL da fonte
Título de Livro
URL na Scopus
Idioma
Português
URL permanente
Notas
Membros da banca
Área do Conhecimento CNPQ
Engenharias