Estudo Comparativo de Técnicas de IA Explicável para Classificação de Nódulos de Câncer de Pulmão

Resumo—O câncer de pulmão também está entre as causas mais comuns de morte por câncer em todo o mundo, onde a detecção precoce usando tomografia computadorizada (TC) é de grande ajuda na melhoria das taxas de sobrevivência. Modelos de aprendizado profundo mostraram resultados excelentes na detecção automatizada de nódulos pulmonares, mas são caixas-pretas, o que os torna menos interpretáveis e menos confiáveis para os clínicos. Este artigo fornece uma análise comparativa sistemática de três métodos populares de inteligência artificial explicável (XAI), a saber, Grad-CAM, SHAP e LIME, em uma rede neural convolucional de nódulo vs. não-nódulo do ResNet-50. O modelo sugeriu um valor da área sob a curva da característica de operação do receptor (AUC) e uma precisão de 0.84 e 0.7946, respectivamente. A qualidade do processo de explicação foi medida quantitativamente em termos de Interseção sobre União (IoU) e eficiência computacional. Diferenças mensuráveis no comportamento de localização e no tempo de explicação entre os métodos de XAI foram encontradas como resultado dos resultados experimentais. Os resultados sugerem que existem compensações entre precisão de interpretabilidade e eficiência computacional na implementação de sistemas de aprendizado profundo explicáveis em sistemas de imagem clínica do pulmão.