Revisión sistemática de métodos de explicabilidad basado en Based-Rules aplicadas a redes neuronales convoluciones para la detección de enfermedades

• Autores: Maza Huaman, Jorge Alexander, Rodas Vigo, Manuel Oswaldo
• 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:20.500.12802/15776
• Enlace del recurso: https://hdl.handle.net/20.500.12802/15776
• Nivel de acceso: acceso abierto
• Materia: Explicabilidad basada en reglas; Redes neuronales convolucionales; Diagnóstico médico; Inteligencia artificial explicable; Revisión sistemática; https://purl.org/pe-repo/ocde/ford#2.02.04

El presente estudio realiza una revisión sistemática de la literatura sobre métodos de explicabilidad basados en reglas aplicados a redes neuronales convolucionales (CNN) en el diagnóstico médico, con el objetivo de sintetizar enfoques, identificar limitaciones y proponer líneas de investigación futuras. La búsqueda bibliográfica se realizó en las bases de datos Scopus y Web of Science, siguiendo la metodología PRISMA, con ecuaciones diseñadas para recuperar artículos publicados entre 2001 y 2024, centrados en la detección o diagnóstico médico mediante CNN con explicabilidad basada en reglas. De un total de 406 registros iniciales, se aplicaron criterios de inclusión y exclusión, seleccionándose 62 estudios para el análisis. Los resultados muestran que los enfoques más frecuentes son modelos híbridos CNN+árboles de decisión o Random Forest, CNN+redes Bayesianas, técnicas con lógica difusa y frameworks end-to-end con módulos explicativos adaptados al usuario. Estos métodos presentan ventajas en interpretabilidad y, en varios casos, mantienen o mejoran el rendimiento diagnóstico respecto a CNN sin explicabilidad, aunque enfrentan desafíos como la fidelidad del modelo explicativo, la escalabilidad de las reglas, la integración con el flujo clínico y la validación en entornos reales. Se identifican como líneas de investigación futura la integración end-to-end de la generación de reglas, el uso de explicabilidad multimodal, la optimización de la complejidad de reglas y la adopción de lógicas avanzadas. Los hallazgos confirman que la explicabilidad basada en reglas es una alternativa prometedora para incrementar la transparencia y confiabilidad de las CNN en la práctica, siempre que se aborden sus limitaciones actuales.