Explicable arquitectura de aprendizaje en conjunto basada en resonancia magnética para la detección de la enfermedad de Alzheimer
Autores: Adeniran, Opeyemi Taiwo; Ojeme, Blessing; Ajibola, Temitope Ezekiel; Peter, Ojonugwa Oluwafemi Ejiga; Ajala, Abiola Olayinka; Rahman, Md Mahmudur; Khalifa, Fahmi
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Explicable arquitectura de aprendizaje en conjunto basada en resonancia magnética para la detección de la enfermedad de Alzheimer
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Avances
Aprendizaje profundo
Transparencia
Interpretabilidad
Enfermedad de Alzheimer
Conjunto
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 28
Citaciones: Sin citaciones
Con los avances en los métodos de aprendizaje profundo, los sistemas de IA ahora funcionan al mismo o a un nivel más alto que la inteligencia humana en muchos problemas complejos del mundo real. Sin embargo, la opacidad de los datos y algoritmos de los modelos de aprendizaje profundo hace que la tarea de comprender la información de los datos de entrada, el modelo y las decisiones del modelo sea bastante desafiante. Esta falta de transparencia constituye tanto un problema práctico como ético. Para el presente estudio, es una gran desventaja para la implementación de métodos de aprendizaje profundo encargados de detectar patrones y pronosticar la enfermedad de Alzheimer. Muchos enfoques presentados en la literatura de IA y medicina para superar esta debilidad crítica a veces implican sacrificar precisión por interpretabilidad. Este estudio es un intento de abordar este desafío y fomentar la transparencia y confiabilidad en las soluciones de atención médica impulsadas por IA. El estudio explora algunos enfoques de interpretabilidad basados en perturbaciones comúnmente utilizados (LIME) y basados en gradientes (Saliency y Grad-CAM) para visualizar y explicar el conjunto de datos, los modelos y las decisiones de identificación de la enfermedad de Alzheimer basada en imágenes de resonancia magnética utilizando las fortalezas diagnósticas y predictivas de un marco de ensamblaje que comprende arquitecturas de Redes Neuronales Convolucionales (CNN) (CNN de múltiples clasificadores personalizados, VGG-19, ResNet, MobileNet, EfficientNet, DenseNet) y un Transformador de Visión (ViT). Los resultados experimentales muestran que el ensamblaje de apilamiento logra una precisión notable del 98.0%, mientras que el ensamblaje de votación dura alcanzó el 97.0%. Los hallazgos presentan una valiosa contribución al creciente campo de la inteligencia artificial explicativa (XAI) en imágenes médicas, ayudando a los usuarios finales e investigadores a comprender profundamente la historia detrás del conjunto de datos de imágenes médicas y las decisiones del modelo de aprendizaje profundo.
Descripción
Con los avances en los métodos de aprendizaje profundo, los sistemas de IA ahora funcionan al mismo o a un nivel más alto que la inteligencia humana en muchos problemas complejos del mundo real. Sin embargo, la opacidad de los datos y algoritmos de los modelos de aprendizaje profundo hace que la tarea de comprender la información de los datos de entrada, el modelo y las decisiones del modelo sea bastante desafiante. Esta falta de transparencia constituye tanto un problema práctico como ético. Para el presente estudio, es una gran desventaja para la implementación de métodos de aprendizaje profundo encargados de detectar patrones y pronosticar la enfermedad de Alzheimer. Muchos enfoques presentados en la literatura de IA y medicina para superar esta debilidad crítica a veces implican sacrificar precisión por interpretabilidad. Este estudio es un intento de abordar este desafío y fomentar la transparencia y confiabilidad en las soluciones de atención médica impulsadas por IA. El estudio explora algunos enfoques de interpretabilidad basados en perturbaciones comúnmente utilizados (LIME) y basados en gradientes (Saliency y Grad-CAM) para visualizar y explicar el conjunto de datos, los modelos y las decisiones de identificación de la enfermedad de Alzheimer basada en imágenes de resonancia magnética utilizando las fortalezas diagnósticas y predictivas de un marco de ensamblaje que comprende arquitecturas de Redes Neuronales Convolucionales (CNN) (CNN de múltiples clasificadores personalizados, VGG-19, ResNet, MobileNet, EfficientNet, DenseNet) y un Transformador de Visión (ViT). Los resultados experimentales muestran que el ensamblaje de apilamiento logra una precisión notable del 98.0%, mientras que el ensamblaje de votación dura alcanzó el 97.0%. Los hallazgos presentan una valiosa contribución al creciente campo de la inteligencia artificial explicativa (XAI) en imágenes médicas, ayudando a los usuarios finales e investigadores a comprender profundamente la historia detrás del conjunto de datos de imágenes médicas y las decisiones del modelo de aprendizaje profundo.