Conjuntos Profundos Conscientes de la Incertidumbre para Predicciones Fiables y Explicables de Series Temporales Clínicas

Los sistemas de soporte basados en aprendizaje profundo han demostrado resultados alentadores en numerosas aplicaciones clínicas que involucran el procesamiento de datos de series temporales. Si bien estos sistemas suelen ser muy precisos, no tienen un mecanismo inherente para explicar qué influyó en las predicciones, lo cual es crítico para las tareas clínicas. Sin embargo, las técnicas de explicabilidad existentes carecen de un componente importante para el soporte de decisiones fiable y sólido, a saber, una noción de incertidumbre. En este artículo, abordamos esta falta de incertidumbre proponiendo un enfoque de conjunto profundo donde una colección de DNNs se entrena de forma independiente. Se calcula una medida de incertidumbre en las puntuaciones de relevancia tomando la desviación estándar de las puntuaciones de relevancia producidas por cada modelo en el conjunto, que a su vez se utiliza para hacer que las explicaciones sean más fiables. Se utiliza el método de mapeo de activación de clase para asignar una puntuación de relevancia a cada paso de tiempo en la serie temporal. Los resultados demuestran que el conjunto propuesto es más preciso en la localización de pasos de tiempo relevantes y es más consistente a través de inicializaciones aleatorias, lo que hace que el modelo sea más confiable. La metodología propuesta abre el camino para construir sistemas de soporte confiables y dependables para procesar series temporales clínicas para tareas relacionadas con la salud.