Diagnóstico de BCC impulsado por IA: XAI y anotaciones de expertos para una mejor interpretabilidad

• Iván Matas ^[1] ; Begoña Acha ^[1] ; Francisca Silva-Clavería ^[2] ; Amalia Serrano ^[2] ; Tomás Toledo-Pastrana ^[3] ; Carmen Serrano ^[1]
  1. [1] Universidad de Sevilla

     Universidad de Sevilla

     Sevilla, España

     
  2. [2] Hospital Universitario Virgen Macarena

     Hospital Universitario Virgen Macarena

     Sevilla, España

     
  3. [3] Centro Medico Teknon

     Centro Medico Teknon

     Barcelona, España

     

  Mostrar afiliaciones +
• Localización: CASEIB 2024. Libro de Actas del XLII Congreso Anual de la Sociedad Española de Ingeniería Biomédica, 2024, ISBN 978-84-09-67332-2, págs. 181-184
• Idioma: español
• Enlaces
  • Texto Completo Libro
• Resumen

  • Se ha desarrollado una herramienta de Inteligencia Artificial (IA) para ofrecer soporte interpretable en el diagnóstico de BCC, del inglés Basal Cell Carcinoma, a través de teledermatología, agilizando las derivaciones y optimizando los recursos. La interpretabilidad se proporciona de dos maneras: primero, se identifican patrones dermatoscópicos de BCC en la imagen para justificar la clasificación de BCC/No BCC; segundo, se utiliza el método visual XAI (eXplainable Artificial Intelligence) Grad-CAM para generar una explicación visual clínicamente inspirada, destacando las características relevantes para el diagnóstico. Dado que no existe una referencia establecida para las características dermatoscópicas del BCC, se infiere un estándar a partir del diagnóstico de cuatro dermatólogos mediante un algoritmo de Expectation Maximization (EM). Los resultados muestran mejoras significativas en la precisión de la clasificación y la interpretabilidad, posicionando este enfoque como una herramienta valiosa para la detección temprana de BCC y la derivación a dermatólogos. La clasificación BCC/No BCC alcanzó una tasa de precisión del 90 %. Además, los resultados de XAI inspirados clínicamente alcanzan una precisión del 99 % en la detección de patrones de BCC útiles para los clínicos. En cuanto a los resultados de XAI visual, el promedio del valor normalizado de Grad-CAM dentro de las características segmentadas manualmente es de 0,57, mientras que fuera de esta región es de 0,16, lo que indica dificultades del modelo para identificar con precisión las regiones de los patrones de BCC. Estos resultados demuestran la capacidad de la herramienta de IA para ofrecer una explicación útil.