Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/30738
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2021_MatheusHenriqueSousaCosta_tcc.pdf2,73 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorSilva, Nilton Correia da-
dc.contributor.authorCosta, Matheus Henrique Sousa-
dc.identifier.citationCOSTA, Matheus Henrique Sousa. Explainable artificial intelligence: analysing skin lesions classifiers. 2021. 71 f., il. Trabalho de conclusão de curso (Bacharelado em Engenharia de Software) — Universidade de Brasília, Brasília, 2021.pt_BR
dc.descriptionTrabalho de conclusão de curso (graduação) — Universidade de Brasília, Faculdade UnB Gama, Engenharia de Software, 2021.pt_BR
dc.description.abstractConsiderando a gravidade do avanço de doenças e lesões dermatológicas como o câncer de pele, bem como suas diversas manifestações físicas e demais implicações, a presente pesquisa teve como objetivo central o desenvolvimento de uma Inteligência Artificial (IA) utilizando a metodologia Inteligência Artificial Explanável (XAI) posthoc em uma Rede Neural Convolucional (CNN). A utilização de XAI se deu em função de trazer uma maior capacidade de interpretabilidade dos dados no Aprendizado Profundo, rigor e compromisso ético na construção do modelo, que teve como intenção colaborar no diagnóstico de doenças de pele ao utilizar como métricas Área Sob a Curva (AUC), Infidelidade e Sensitividade para comparação dos métodos XAI. Foram comparados os métodos XAI Integrated Gradients, DeepLIFT, DeepSHAP, GradientSHAP, Occusion e GradCAM. Os resultados demonstraram que o Integrated Gradients e o DeepLIFT tiveram menores Infidelidades e Sensitividades no modelo ResNet-152 utilizando o dataset HAM10000 com imagens de lesões de peles. Os dados obtidos foram comparados com três autores de trabalhos similares encontrados na literatura.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordInteligência artificialpt_BR
dc.subject.keywordRedes neurais (Computação)pt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.subject.keywordPele - doençaspt_BR
dc.titleExplainable artificial intelligence : analysing skin lesions classifierspt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2022-05-28T20:48:33Z-
dc.date.available2022-05-28T20:48:33Z-
dc.date.submitted2021-07-29-
dc.identifier.urihttps://bdm.unb.br/handle/10483/30738-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1Considering the severity of the advance of diseases and dermatological lesions such as skin cancer, as well as its various physical manifestations and other implications, the present research had as its central objective the development of an AI using the methodology Explainable Artificial Intelligence (XAI) posthoc on a Convolutional Neural Network (CNN). The use of XAI was due to bringing a greater capacity for interpretability of data in Deep Learning (DL), rigor and ethical commitment in the construction of the model, which was intended to collaborate in the diagnosis of skin diseases when using as Area Under the Curve (AUC) metrics, Infidelity and Sensitivity for comparing methods XAI. The XAI Integrated Gradients, DeepLIFT, DeepSHAP, GradientSHAP, Occusion and GradCAM methods were compared. The results showed that the Integrated Gradients and DeepLIFT had lower Infidelity and Sensitivity in ResNet-152 model using the dataset HAM10000 with skin lesions images. The data obtained were compared with three authors of similar studies in the literature.pt_BR
Aparece na Coleção:Engenharia de Software



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.