Técnica de explicabilidad basada en Integrated Gradients para redes neuronales convolucionales: Una revisión sistemática de la literatura

• Autores: Rosillo Chinchay Kevin Brayan, Sosa Paz Luis Alonso
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/16133
• Enlace del recurso: https://hdl.handle.net/20.500.12802/16133
• Nivel de acceso: acceso abierto
• Materia: Explicabilidad; Integrated Gradients; Redes neuronales convolucionales; Inteligencia artificial explicable; Interpretación de modelos; https://purl.org/pe-repo/ocde/ford#2.02.04

En los últimos años, la necesidad de modelos de inteligencia artificial explicable (XAI) ha cobrado especial relevancia, especialmente en dominios críticos como la medicina, donde las decisiones automatizadas deben ser interpretables. En este contexto, la técnica Integrated Gradients (IG) ha emergido como una herramienta efectiva para asignar importancia a las características de entrada en redes neuronales convolucionales (CNN). Esta investigación presenta una revisión sistemática de la literatura sobre el uso de IG como método de explicabilidad en CNN, con el objetivo de identificar sus aplicaciones, beneficios y limitaciones. A través del enfoque PRISMA, se analizaron 30 estudios seleccionados de bases de datos especializadas como IEEE Xplore, Scopus y Science Direct. Los hallazgos revelan que IG ha sido ampliamente adoptado en sectores como salud, finanzas, visión por computadora y educación, proporcionando interpretaciones visuales claras que mejoran la trazabilidad y confianza en los modelos. No obstante, se identifican desafíos como la dependencia del punto base baseline y la sensibilidad al ruido. Se concluye que IG representa un avance significativo en el campo de la IA explicable, aunque su implementación óptima requiere mayores estándares metodológicos. Este estudio proporciona una base sólida para futuras investigaciones orientadas a mejorar la transparencia en modelos de aprendizaje profundo.