Inteligência Artificial Explicável (XAI) na área médica

Página do item simplificado
dc.contributor.advisorVidal, Maciel Calebept_BR
dc.contributor.authorMachado, Arthur Cisotto
dc.coverage.cidadeSão Paulopt_BR
dc.coverage.paisBrasilpt_BR
dc.creatorMachado, Arthur Cisotto
dc.date.accessioned2024-01-24T18:03:06Z
dc.date.available2024-01-24T18:03:06Z
dc.date.issued2023
dc.description.abstractA 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.pt_BR
dc.description.otherArtificial Intelligence (AI), in its advancement, now permeates various facets of our lives, from voice assistants to personalized ads. However, while AI exhibits potential across multiple domains, the opacity of many of its models, particularly those labeled as "black box", highlights a growing concern with interpretability. The ability to decipher and justify a model's predictions and decisions is paramount, especially in critical applications such as medicine, where each decision can directly impact patient lives. In this report, as we delve into the interface between machine learning models and their clinical relevance, we identified the pressing need to balance predictive efficiency and transparency. The results indicate a duality: while more complex models showed superiority in accuracy, their interpretability often waned. To deepen the understanding of determinant attributes in predictions, we employed SHAP analysis, a standout tool in the machine learning domain. The insights obtained from this analysis became vital to validate and contextualize predictions in the clinical scenario. In conclusion, as AI continues to shape medicine, the quest for high performance models that maintain transparency becomes essential. The findings from the study underscore the emerging need for robust interpretability metrics, ensuring that adopted models are not only accurate but also intuitive and comprehensible to the medical communitypt_BR
dc.format.extent38 p.pt_BR
dc.format.mediumDigitalpt_BR
dc.identifier.urihttps://repositorio.insper.edu.br/handle/11224/6368
dc.language.isoPortuguêspt_BR
dc.rights.licenseTODOS OS DOCUMENTOS DESTA COLEÇÃO PODEM SER ACESSADOS, MANTENDO-SE OS DIREITOS DOS AUTORES PELA CITAÇÃO DA ORIGEM.pt_BR
dc.subjectinteligência artificial explicávelpt_BR
dc.subjectXAIpt_BR
dc.subjectinterpretabilidadept_BR
dc.subjectexplicabilidadept_BR
dc.titleInteligência Artificial Explicável (XAI) na área médicapt_BR
dc.typereport
dspace.entity.typePublication
local.subject.cnpqEngenhariaspt_BR
local.typeRelatório de Iniciação Tecnológicapt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 2 de 2
Imagem de Miniatura
Nome:
Arthur Cisotto Machado_trabalho.pdf
Tamanho:
2.13 MB
Formato:
Adobe Portable Document Format
Descrição:
Arthur Cisotto Machado_trabalho
Baixar
N/D
Nome:
Arthur Cisotto Machado_termo de autorização.pdf
Tamanho:
95.52 KB
Formato:
Adobe Portable Document Format
Descrição:
Arthur Cisotto Machado_termo de autorização
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
N/D
Nome:
license.txt
Tamanho:
282 B
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Relatório de Iniciação Tecnológica