Arquitectura multimodal para el análisis interpretable de imágenes biomédicas sintéticas

Resumen

Los modelos de Inteligencia Artificial han demostrado un rendimiento notable, aunque su reducida interpretabilidad plantea un reto en ámbitos donde la comprensión de las decisiones es crucial. Este desafío presenta importancia real en ámbitos clínicos, como en el análisis del cáncer de mama, enfermedad caracterizada por la elevada variabilidad en sus manifestaciones. A fin de abordar dicha limitación, se propone un enfoque multimodal en el que se aplica un conjunto de datos simplificado de origen sintético, el cual combina imágenes junto a un vector de datos adicionales, los cuales guían el aprendizaje del modelo. Para el análisis interpretable, se aplica la herramienta SHAP para evaluar las contribuciones de ambas entradas, por un parte la imagen y por otra las variables del vector. Los resultados evidencian la viabilidad del enfoque propuesto, proponiendo como líneas futuras la optimización del modelo para la disminución de errores de clasificación y la mejora de detección de casos complejos, así como su validación mediante datos reales.