VISUALIZACIÓN DE REGIONES DE INTERÉS PARA LA EXPLICABILIDAD DE MODELOS DE APRENDIZAJE PROFUNDO EN IMÁGENES DEL SÍNDROME DE SJÖGREN

Abstract

La creciente adopción de modelos de aprendizaje profundo en el ámbito biomédico ha puesto de manifiesto la necesidad de comprender y justificar las decisiones tomadas por estos sistemas. Aunque las redes neuronales convolucionales han demostrado un alto rendimiento en tareas de clasificación de imágenes médicas, su naturaleza de caja negra dificulta la interpretación de las predicciones y limita su aceptación en entornos clínicos.

En este contexto, el presente trabajo aborda el estudio de técnicas de inteligencia artificial explicable aplicadas a la clasificación de imágenes histopatológicas del síndrome de Sjögren. Para ello, se empleó un modelo convolucional previamente entrenado en esta tarea y se desarrolló un flujo de trabajo basado en Local Interpretable Model-agnostic Explanations (LIME), con el objetivo de identificar las regiones de las imágenes que ejercen una mayor influencia sobre las decisiones del modelo. Asimismo, se analizaron diferentes estrategias de segmentación y tratamiento del fondo, evaluando su impacto en la calidad y consistencia de las explicaciones generadas.

Los resultados obtenidos permitieron visualizar y estudiar la evidencia utilizada por el modelo durante el proceso de clasificación, así como identificar algunas de las limitaciones asociadas al uso de LIME en imágenes histopatológicas. El trabajo aporta una aproximación práctica para mejorar la interpretabilidad de sistemas basados en aprendizaje profundo y establece una base para futuras investigaciones orientadas a la validación clínica de modelos de inteligencia artificial aplicados al diagnóstico asistido.