Identificación y explicación de patrones de error en modelos predictivos. Aplicación al diagnóstico de declive cognitivo
En los últimos años, los modelos de inteligencia artificial han alcanzado un alto rendimiento en tareas complejas. Sin embargo, su carácter opaco dificulta la interpretación de sus decisiones. Esta falta de transparencia resulta especialmente crítica en el ámbito clínico, donde las predicciones auto...
| Autor: | |
|---|---|
| Tipo de documento: | dissertação |
| Data de publicação: | 2025 |
| País: | España |
| Recursos: | Universidad Nacional de Educación a Distancia |
| Repositório: | e-spacio. Repositorio Institucional de la UNED |
| Idioma: | espanhol |
| OAI Identifier: | oai:e-spacio.uned.es:20.500.14468/30306 |
| Acesso em linha: | https://hdl.handle.net/20.500.14468/30306 |
| Access Level: | Acceso aberto |
| Palavra-chave: | 1203.17 Informática XAI SHAP diagnóstico médico medical diagnosis |
| Resumo: | En los últimos años, los modelos de inteligencia artificial han alcanzado un alto rendimiento en tareas complejas. Sin embargo, su carácter opaco dificulta la interpretación de sus decisiones. Esta falta de transparencia resulta especialmente crítica en el ámbito clínico, donde las predicciones automáticas deben ir acompañadas de justificaciones comprensibles que apoyen la toma de decisiones médicas. En este contexto, la explicabilidad no sólo permite aumentar la confianza de los profesionales de la salud, sino también detectar sesgos y errores que podrían tener consecuencias graves para los pacientes. Partiendo de esta necesidad, este trabajo aborda el uso de técnicas de explicabilidad en inteligencia artificial (XAI por sus siglas en inglés) con el objetivo de evaluar los errores cometidos por modelos predictivos en el contexto clínico, en concreto, en el diagnóstico de declive cognitivo temprano. Su análisis puede ayudar a identificar en qué casos los modelos no resultan fiables, lo cual es especialmente importante para los expertos en el dominio de la salud. Para ello se ha empleado principalmente el método SHAP (SHapley Additive exPlanations) y se han generado explicaciones de las predicciones erróneas, que han sido agrupadas y posteriormente analizadas para detectar patrones comunes. Los resultados sugieren que los errores se concentran en regiones del espacio de entrada con menor densidad, lo que subraya la necesidad de explorar flujos diagnósticos alternativos que permitan mejorar la fiabilidad en estas instancias atípicas. |
|---|